CoMaL Tracking: 跟踪物体边界上的点
本文提出了一种新的多对象跟踪方法,该方法利用无序的 2D 点云表示来生成实例嵌入,从随机选择的点中学习辨别实例嵌入,利用多种信息数据模态来丰富点特征,基于此建立了在线 MOTS 系统 PointTrack,在三个数据集上进行评估,并构建了一个更具挑战性的 MOTS 数据集 APOLLO MOTS。
Jul, 2020
本文提出一种使用互补线索结合岭回归技术的简单追踪器,可快速运作超过 80 FPS,并在多个基准测试中胜过所有著名的 VOT14 竞赛记录,以及最近更复杂的跟踪器。
Dec, 2015
DK-SLAM 是一种单目视觉 SLAM 系统,使用自适应深度特征进行特征提取和匹配,采用多项式约束进行位姿估计,使用基于二值特征的在线循环闭环模块来减少累积定位误差,并在公开数据集上展示了其高效性能。
Jan, 2024
提出了一个基于匹配三维片段的可靠的循环闭合检测算法 SegMatch,它不依赖于 “完美分割” 的假设或在环境中 “物体” 的存在,并可在大规模、非结构化环境下实现 1Hz 的准确定位和实时闭环检测。
Sep, 2016
本文提出了一个稳健的多类别多对象跟踪(MCMOT)模型,采用贝叶斯滤波框架进行建模;通过结合检测响应和 CPD 算法,对无限对象类别进行多对象跟踪;使用 CPD 模型观察跟踪状态的时空特征,以观察漂移和遮挡等突变或异常变化;采用基于卷积神经网络的物体探测器和基于 Lucas-Kanede 跟踪器的运动探测器计算出前景区域的似然度作为不同物体类别的检测响应。通过最近推出的具有挑战性的基准视频 ImageNet VID 和 MOT 基准数据集进行了大量实验。与最先进的视频跟踪技术相比,结果非常鼓舞人心。
Aug, 2016
本研究提出了一种无监督的视频分析框架和原型系统来提取视频序列中的显著对象,其通过跟踪时间帧上的采样点,并结合 3D 空间中的超像素,将视频分为粗分割和细分割两步来实现,实验结果表明该方法在准确性和鲁棒性方面优于之前的方法。
Sep, 2018
该论文提出了一种名为 CoTracker 的架构,它利用了光流和跟踪文献中的几个思想,基于变压器网络来模拟不同点在时间上的相关性,可以在一个视频中联合跟踪多个点,支持在任何时候添加新的跟踪点。该算法在几乎所有基准测试中都优于最先进的方法。
Jul, 2023
本文提出了一种基于学习的 3D 物体跟踪方法,通过从时间点云数据中学习物体对应关系和运动信息的模式,利用 lidar 数据和运动估计技术进行跟踪,以及采用简单有效的速度平滑模块对物体的运动进行估计,从而在 KITTI 和更大规模的 Nuscenes 数据集上优于现有的 3D 跟踪方法。
Oct, 2020