May, 2018

基于历史外貌匹配和场景自适应检测过滤的在线多目标跟踪

PDF
TL;DR本文提出了用于处理多目标跟踪中的时间错误的方法，其中历史外观匹配方法和经过 2 步训练的联合输入孪生网络可防止跟踪失败，并提供了有效去除噪声检测的技术。
multi-object trackingtemporal errorshistorical appearance matchingjoint-input siamese networknoisy detections
发现论文，激发创造
  • 使用深度时间外观匹配联合进行在线多行人跟踪

    本研究提出了一种基于联合推理网络的轨迹外观模型，有效解决了在多目标跟踪中应对高维度外观信息的问题，且在识别目标与观测匹配以及保持目标的一致性方面具有重要贡献。

    Jul, 2019

  • 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

  • 使用深度学习候选人筛选和个体重新识别实现多人实时跟踪

    本研究提出了一种在线多目标跟踪方法，通过收集检测和跟踪的输出，利用基于完全卷积神经网络的新型评分函数处理不可靠检测，并采用深度学习出的外貌特征来提高跟踪的识别能力。该方法在人员跟踪基准测试中达到了实时和最先进的性能。

    Sep, 2018

  • 学习目标不变的物体跟踪

    该论文提出了一种端到端可训练的方法，结合物体检测和跟踪，并引入了序列记忆模块，使其更好地处理多物体跟踪，尤其是遮挡的情况。经过大规模的合成数据和实际测试，在 KITTI 和 MOT17 数据集上取得了最先进的性能表现。

    Mar, 2021

  • 增强型孪生网络在多目标跟踪中的相似度映射

    本文介绍了一种基于增强 Siamese 神经网络的相似性映射的跟踪系统，该系统考虑了外观和几何信息，并可进行端到端的训练，以减少整体系统复杂性和需要针对特定环境进行调整的超参数数量，在 MOT16 挑战中取得了具有竞争性的速度和准确性。

    Sep, 2016

  • 立体三维物体跟踪的联合时空优化

    通过深度神经网络强大的目标理解，同时处理精确几何建模的一致轨迹估计，提出了一种基于联合时空优化的立体 3D 对象跟踪方法，在 KITTI 跟踪数据集上取得显著优于先前方法的定量评估结果，并在多个类别和大型数据集（KITTI 原始和 Argoverse 跟踪）上进行了广泛的结果报告以供未来基准测试。

    Apr, 2020

  • 使用双匹配注意力网络进行在线多目标跟踪

    本文提出了一种在线多目标跟踪算法，该算法将单目标跟踪和数据关联方法的优点融合在统一框架中，以处理嘈杂的探测和目标之间频繁的交互，并在多目标跟踪基准数据集上展示出较好的性能。

    Feb, 2019

  • 时间见证：时态多视角三维物体检测的新前景和基准

    该论文介绍了一种新的视频目标检测方法，通过多帧图像数据的长期历史建立成本卷积表示，从而将高效和高质量的匹配相结合，并在 nuScenes 数据集上达到了最新的最佳性能。

    Oct, 2022

  • 基于未伪造控制的身份转换检测与纠正

    本文采用无证明控制来解决多目标跟踪中的 ID 切换问题，并提出了简单有效的策略来处理外观信息的模糊匹配，实验结果表明该跟踪器在处理遮挡和快速移动引起的跟踪错误方面表现出优秀的效果和鲁棒性。

    Jul, 2023

  • 消除多目标跟踪中的曝光偏差和损失评估不匹配

    本文介绍了一种解决多物体跟踪算法中身份切换问题的新的训练流程，通过构建丰富的训练数据并利用其学习得分函数，既可以使用简单的几何特征，也可以使用外观更为复杂的特征，我们的方法在多个 MOT 跑分中均优于现有技术。

    Nov, 2018