基于轨迹的物体检测和追踪集成
RetinaTrack 是一种用于自动驾驶的联合的、简单而高效的多目标跟踪和目标检测模型,相较于当前业界最先进的跟踪算法有更好的表现且需要更少的计算量。
Mar, 2020
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
本研究通过将类别特定的外观模型重新定义为通用的物体状态预测,在两种大规模跟踪基准测评(OxUvA 和 GOT)中实现了最先进的结果,并通过添加一个 mask 预测分支,为跟踪的对象生成实例分割掩模。
Oct, 2019
本文提出了一种有效的多模态 MOT 框架,包括使用 2D 和 3D 测量的联合目标检测和关联的端到端深度神经网络、用于计算 3D 空间中遮挡感知的外观和运动相似度的有效计算模块、以及联合优化检测置信度、相似度和开始 - 结束概率的综合数据关联模块,实验证明所提出方法在跟踪精度和处理速度方面优于 KITTI 跟踪基准。
Aug, 2021
本文提出了一种新的跟踪方法 Tracktor,该方法利用对象检测器的边界框回归来预测下一帧中对象的位置,同时扩展直接重识别和摄像机动作补偿,从而实现了超越现有任何跟踪方法的跟踪性能。
Mar, 2019
本文提出了一种基于形状约束和置信度的多目标跟踪器,使用交并比距离结合形状约束计算轨迹与检测之间的代价矩阵,在数据关联阶段能够有效避免跟踪到错误的目标并使用基于置信度的卡尔曼滤波算法更新运动状态以提高跟踪效果。实验结果表明,该方法能够有效地提高多目标跟踪的性能。
May, 2023
通过使用现有的探测器和追踪器,本文提出了一种基于双子追踪器的调度器网络来提高视频目标检测 / 跟踪的准确性,其比跳帧和基于流的方法更加高效,经过了在 ImageNet VID 数据集上的验证。
Nov, 2018
该研究提出一种利用自然语言描述的深度追踪器,通过使用 LSTM 跟踪器预测目标的更新,可以以每秒超过 30 帧的速度处理具有模糊语言注释的目标,展示出色的性能。
Jul, 2019