Nov, 2018

使用分层深度轨迹复识别技术进行多人跟踪

PDF
TL;DR本文提出了一个 hierarchical clustering 机制的跟踪框架，以便在利用 multi-stage deep network 进行 tracklet re-identification 的同时，合并 tracklets，从而提高多人追踪准确性。在 MOT16 和 MOT17 基准测试中，实验结果表明，我们的方法显著优于最先进技术。
multiple people trackingmonocular videostracklet re-identificationhierarchical clusteringdeep network
发现论文，激发创造
  • 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

  • 无监督轨迹人员再识别

    本文提出了一种无监督的深度学习人物再识别方法 (UTAL), 通过联合学习内部相机移动轨迹的差异性和跨相机移动轨迹的关联性，能够从自动生成的人物运动轨迹数据中逐步发现和利用基础重识别差异性信息，实验结果表明该方法在八个基准数据集上优于当前最先进的无监督学习和领域自适应的人物再识别方法。

    Mar, 2019

  • 基于时空规则的轨迹关联式渐进式无监督人员重识别

    本研究提出了一种基于深度学习和时空规则的无监督人员再识别方法，通过跨摄像头轨迹关联和反复迭代来逐步更新模型，最终促进了跨摄像头轨迹的关联和更好的人员视觉特征提取。

    Oct, 2019

  • 深度学习轨迹关联的无监督人员重新识别

    本论文提出了一种基于轨迹的无监督深度学习方法，通过轨迹关联和跨摄像头相关性最大化来发现并利用单个摄像机和跨摄像机之间的人物识别信息，实现了更好的人物再识别效果。

    Sep, 2018

  • MMPTRACK: 大规模密集标注多摄像机多人跟踪基准测试

    本研究提供了一个大规模数据集，利用自动注释系统从不同环境下的高度重叠 RGB 和深度相机生成三维跟踪结果，并通过手动检查和纠正三维跟踪结果来确保标签质量，以提高多相机，多物体跟踪系统的可靠性和性能。

    Nov, 2021

  • 基于分层聚类的多目标、多相机跟踪：DukeMTMC 项目最新进展

    针对多摄像头追踪挑战，本文在 DukeMTMC 数据集上通过简单的层次聚类与良好训练的人物再识别特征，展示了在该数据集上获得良好结果的方法。

    Dec, 2017

  • 3D 多视角多目标跟踪的轨迹初始化与再识别

    使用 2D 检测从单目相机提出了一种三维多目标跟踪（MOT）解决方案，该解决方案在自动启动 / 终止跟踪，解决外观再出现和遮挡方面具有重要作用。

    May, 2024

  • 锚点引导聚类与时空一致性 ID 重新分配增强多摄像机人物追踪

    本文提出了一种新的多摄像头多人跟踪方法，它利用锚点引导聚类实现跨摄像头重新识别和基于几何的跨摄像头 ID 重新分配的时空一致性，从而改善跟踪的准确性，并在 CVPR AI City Challenge 2023 数据集上进行了评估，取得了 95.36% 的 IDF1 得分，名列挑战赛第一名。

    Apr, 2023

  • 多目标跟踪的分层视觉表示

    我们提出了一种新的多对象跟踪的视觉分层表示范式，并通过关注对象的组合性视觉区域和与背景的对比背景信息，不仅仅局限于语义可视线索（如边界框），而是更有效地区分对象。这种组合性 - 语义 - 上下文层次结构灵活地集成到不同的基于外观的多对象跟踪方法中。我们还提出了一种基于注意力的视觉特征模块来融合分层视觉表示。该方法在多个多对象跟踪基准中实现了最先进的准确性和时间效率。

    Feb, 2024

  • 多目标多摄像头跟踪中的态势感知重新识别特征

    本文提出了一种新的多目标多摄像机跟踪框架，利用重识别模型，结合遮挡情况、目标朝向以及人体姿态信息，采用融合后的跟踪特征进行跟踪关联，有效地处理了目标识别和跟踪断点问题，并在多摄像机难度序列中取得了优秀的性能。

    Jun, 2019