ECCVOct, 2016

高性能检测和外观特征的多目标跟踪

PDF
TL;DR本文介绍了一种基于数据关联的多目标跟踪（Multiple Object Tracking，MOT）方法，采用了高性能检测和深度学习的外观特征，展示了这些特征在在线和离线场景下都可以带来显著的跟踪效果。作者们还公开了其检测和外观特征，并介绍了他们命名为 POI 的跟踪器。
data associationmultiple object trackingdetectiondeep learningappearance feature
发现论文，激发创造
  • 实时多目标跟踪

    本文提出了一个允许在共享模型中学习目标检测和外观嵌入的 MOT 系统，并进一步提出了一个简单快速的联合方法。这两个组件的计算成本与以前的 MOT 系统相比显着降低，为未来实时 MOT 算法设计提供了一个简洁快速的基准线。与分离检测和嵌入（SDE）学习相比，其跟踪准确性相当。

    Sep, 2019

  • 多物体跟踪的单目和多目特征学习

    本文提出了一种简单而有效的两阶段特征学习模型，以共同学习不同目标的单帧特征和多帧特征，从而在跟踪过程中实现鲁棒的数据关联。通过引入单帧特征学习模块和多帧特征学习模块，可以有效地关联相邻帧之间的目标和长时间丢失的目标。通过简单的数据关联逻辑，所提出的 VisualTracker 能够基于单帧特征和多帧特征进行鲁棒的多目标跟踪，实验结果表明该方法在 MOT17 和 MOT20 数据集上取得了显著的改进，并在 DanceTrack 数据集上达到了最先进的性能。

    Nov, 2023

  • FANTrack: 基于特征关联网络的三维多目标跟踪

    我们提出了一种数据驱动的方法，使用卷积神经网络（CNN）在一个检测跟踪框架中进行数据关联来进行在线多目标跟踪（MOT）。我们的解决方案学习如何在数据和图像之间组合线索来解决关联问题，可以在处理复杂情况下准确跟踪物体并获得优异结果。

    May, 2019

  • ReIDTrack：无运动的多对象追踪与分割

    基于 CBNetV2 和 Swin-B 的检测模型以及 MoCo-v2 的自监督外观模型，我们探索了一种新的 SOTA 方向，通过去除运动信息和 IoU 映射，取得了在 CVPR2023 WAD 研讨会的 MOTS 轨迹上的第一名以及 MOT 轨迹上的第二名的简单有效方法。

    Aug, 2023

  • FeatureSORT: 有效追踪的关键特征

    本研究介绍了一种新颖的追踪器，专注于在线多目标跟踪的简单而有效的设计。通过整合不同的外观特征，包括服装颜色、样式和目标方向，以及鲁棒嵌入提取的 ReID 网络，我们的追踪器显著提高了在线跟踪的准确性。此外，我们提出了更强的检测器的融合，并提供了先进的后处理方法，进一步提升了追踪器的性能。通过设计与特征相关的距离函数，我们可以在较长的遮挡期内追踪物体，并且保持较低的身份切换数量。大量的实验评估证明了跟踪准确性和可靠性的显著改进，通过减少身份切换和增强遮挡处理能力来证明。这些进展不仅推动了目标跟踪的最新技术，也为未来需要高精度和可靠性的实际应用和研究开辟了新方向。

    Jul, 2024

  • 通过邻居图增强多目标跟踪中的关联性

    该论文提出了一种改进的多目标跟踪方法，利用邻居之间的信息，通过构建邻居图和应用图卷积网络来学习图形特征，从而提高在线多目标跟踪的性能。

    Jul, 2020

  • 面向在线多人跟踪的时间动态外观建模

    我们提出了一种利用时间动态特性来辨别不同人的外观建模方法并采用特征选择算法来描述外观变化的在线多人跟踪算法，该方法在 MOTChallenge 2015 基准测试上超越了同类算法。

    Oct, 2015

  • 基于统一外观迭代关联检测的多目标跟踪技术在拖网捕鱼副捕物监测中的应用

    该论文提出了一种基于现有观测中心跟踪算法的新型多目标跟踪方法，采用新的迭代关联步骤大大提高了对具有均匀外观的目标的跟踪性能。

    Apr, 2023

  • 基于逐帧运动和外观的实时多目标跟踪

    本文提出了一种高效的深度神经网络方法 ——FMA，计算两个视频帧之间的 Framewise Motion Fields，并对大量对象的边界框进行快速可靠匹配，同时实现 Frame-wise Appearance Features 的学习，以达到实时多目标跟踪并取得与现有最先进方法相竞争的结果。

    May, 2019

  • 基于卷积神经网络单目标跟踪器与时空注意力机制的在线多目标跟踪

    本文提出了一种基于 CNN 的框架，用于在线多目标跟踪，并引入了空间 - 时间注意机制处理 Occlusion 问题，从而实现在 MOT15 和 MOT16 基准数据集上 34.3% 到 46.0% 的多目标跟踪性能。

    Aug, 2017