Nov, 2018

利用连通性：TrackletNet 多物体跟踪

PDF
TL;DR本篇论文提出了一种创新而有效的追踪方法 TrackletNet Tracker (TNT)，它将时间和外观信息结合在一起作为一个统一的框架来处理多目标追踪 (MOT) 的挑战，并相比其他最先进方法，在 MOT16 和 MOT17 基准数据集上取得了令人满意的结果。
multi-object trackingtrackletnet trackerappearancetemporalmot
发现论文，激发创造
  • 非受限环境下的多人跟踪和再识别的 Transformer 网络

    提出了一个综合的多目标跟踪方法 STMMOT，该方法结合了目标检测和身份链接，能够在长时间内维持目标身份链接，并利用具有注意力机制的鲁棒时空记忆模块和动态查询嵌入来预测目标状态，消除了后处理的需求。

    Dec, 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

  • MotionTrack: 学习多目标跟踪的强健短期和长期运动

    本文提出了一种名为 MotionTrack 的简单而有效的多目标跟踪器，它在统一框架中学习健壮的短期和长期运动，以将轨迹从短范围关联到长范围。通过在检测范例跟踪中嵌入 Interaction Module 和 Refind Module​​，在挑战性场景中，该方法在各种 MOT 指标上均实现了最先进的性能。

    Mar, 2023

  • 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

  • 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

  • MapTrack：在地图中的跟踪

    在本文中，我们提出了一种名为 MapTrack 的方法，利用概率图、预测图和协方差自适应卡尔曼滤波器的三个轻量级插件算法，通过增强经典跟踪器 DeepSORT 在拥挤和遮挡场景中的鲁棒性，实现在常用的多目标跟踪基准集（如 MOTS17 和 MOT20）上的最先进效果。

    Feb, 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

  • 关于多目标跟踪中检测和重新识别的公平性问题的研究

    本研究提出了一种基于中心点检测架构的叫做 FairMOT 的简单而有效的方法来解决目标检测和 Re-ID 之间的竞争问题，该方法在多目标跟踪方面表现出色，在多个公共数据集上均优于现有技术。

    Apr, 2020

  • 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

  • ByteTrack: 通过关联每个检测框进行多目标跟踪

    该研究旨在提高多对象追踪的性能，提出了一种基于低得分对象的相似性与轨迹的关联方法，并设计了一种名为 ByteTrack 的强大追踪器，在多个基准测试中实现了最先进的性能，其中包括 MOT17。

    Oct, 2021