本篇研究论文提出了一种基于学习的三维多目标跟踪方法,在公共数据集 nuScenes 上取得了近年来最好的性能表现,采用的关键技术包括神经消息传递网络、数据关联和轨迹稳定性的处理。
Apr, 2021
本文提出了一种将外观和运动特征与几何信息显式结合以提供更准确跟踪的新型无监督 MOT 方法 UnsMOT,通过 CNN 和 RNN 模型提取外观和运动特征,构建对象的图形,并利用 GNN 模型和 CNN 特征输出经优化的对象几何嵌入,通过匹配提取特征和几何嵌入,找出对象之间的关联,实验结果显示与最先进方法相比,在 HOTA、IDF1 和 MOTA 指标上表现出色。
Sep, 2023
本研究提出了一种基于图神经网络和联合特征提取的 3D 多物体跟踪算法,通过在 KITTI 数据集上的实验验证,取得了最先进的 3D MOT 性能。
Aug, 2020
本文提出了一种基于消息传递网络的全可微分多目标追踪框架,可以直接在图形领域进行操作,实现对于整个检测集的全局推理和最终解决方案的预测,证明了在多目标追踪领域,学习不仅需要局部特征提取,还可以应用于数据关联步骤,并在三个公开基准测试中取得了显著的 MOTA 和 IDF1 改进。
Dec, 2019
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
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
提出了一种称为 “Tracking-by-Animation” 的跟踪框架,通过利用可微分的神经模型对多个对象进行跟踪,并在重构帧中动画化这些对象,从而实现了无需标记数据的端到端 MOT 学习。同时进一步提出了优化数据关联的 “Reprioritized Attentive Tracking” 模型。
Sep, 2018
基于 Transformer 架构构建的学习几何 3D MOT 框架 3DMOTFormer,在进行跟踪检测双向图的基础上,通过边分类进行数据关联,并提出了一种新颖的在线训练策略,通过自回归和递归前向传播以及序列化批量优化来减少训练和推断之间的分布不匹配。
Aug, 2023
本研究提出一种基于图神经网络的联合多目标跟踪方法,通过优化检测和数据关联模块,兼顾准确性和运行效率,成功在多个 MOT 数据集上实现了最先进的性能表现。
Jun, 2020
该研究提出了两种技术来改进 3D 多目标跟踪中的判别特征学习,通过引入图神经网络实现对象间的特征互动,以及从二维和三维空间中同时提取外观和运动特征来减少混淆。最终实现了在 KITTI 和 nuScenes 3D MOT 测试中最先进的性能表现。