多目标跟踪中的数据关联机器学习方法
本文提出了一种名为 Tracklet Association Tracker(TAT)的新型多目标跟踪框架,旨在将特征学习和数据关联高效地融合在一起,通过双层优化公式实现,以使关联结果可以直接从特征中学习。同时,为了提高性能,本文采用了流派融合、对齐和选择等方法,在 MOT2016 和 MOT2017 基准测试中均取得了最先进的性能等级。
Aug, 2018
本文提出了一个以神经网络为基础的端到端框架,用于解决在线多目标跟踪中的数据关联问题。算法将帧间数据关联建模成最大带权二分匹配问题,并利用预先学习好的神经网络进行求解,该网络结合了外观和运动特征来计算有关联所需的邻接矩阵。实验表明,该框架能够提供更快的计算速度和更好的跟踪精度。
Jul, 2019
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
本研究提出了基于深度学习的数据关联方法来解决多目标跟踪中的数据关联问题,并在 MOT15、MOT17 和 UA-DETRAC 等数据集上通过 12 项指标的评估证明该方法是当今最佳的技术之一。
Oct, 2018
本文旨在研究不使用任何视频级联标签的自监督多目标跟踪问题,并通过不同 iable 可微分的软目标分配来解决问题,使用时间和多视图数据进行训练,从而获得关于目标的关联伪标签。与大多数依赖于学习特征对应关系预算任务的自监督跟踪方法不同,我们的方法直接优化于复杂情景下的交叉对象关联,为鲁棒的重新识别 MOT 方法提供了一种解决方案,不会受到 Minima 的影响。在 KITTI、Waymo、nuScenes 和 Argoverse 数据集上评估我们的模型,与其他无监督方法相比,一致提高了 nuScenes 上的关联精度(7.8%)。
May, 2023
提出一种应用注意力度量编码来解决自动驾驶场景下多目标跟踪问题的方法,此方法通过软性数据关联来聚合所有物体检测的信息,从而使得模型能够在数据驱动的方式下推理出目标物体的遮挡情况并进行跟踪,实验结果表明该方法在规模较大的数据集上优于现有的视觉多目标跟踪技术。
Aug, 2020
研究工作中,我们考虑了涉及多目标跟踪(MOT)的数据关联问题,特别是解决了物体遮挡带来的挑战。我们提出了一个名为近似动态规划跟踪(ADPTrack)的框架,它将动态规划原理应用于改进已有的基本启发式方法。在 MOT17 视频数据集上的测试中,该方法在关联准确性(IDF1 指标)上表现出了超过基本启发式方法的 0.7%的改进,并在其他所有标准指标上也有提升。经验上发现,改进在固定位置摄像头获取的视频数据场景中尤为显著。
May, 2024
本文提出一种新的学习可伸缩图匹配方法,用于解决目前多目标跟踪(MOT)任务中的数据关联问题,该方法可以使跟踪器在面对严重遮挡等困难情况时表现更加优异,同时在多项标准 MOT 数据集上取得了最先进的性能。
Mar, 2021