Jan, 2019

基于多种线索和切换感知分类的多目标跟踪

PDF
TL;DR该研究提出了一个统一的多目标跟踪框架，该框架通过利用长期和短期线索处理 MOT 场景中的复杂情况，并考虑潜在的身份交换原因（开关器）的影响，并结合了多个线索来提高鲁棒性，最终在挑战性的 MOT 基准测试中实现了最先进的结果。
multi-object trackingswitcher-aware classificationshort term cueslong term cuesmot benchmarks
发现论文，激发创造
  • 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

  • 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

  • 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

  • 基于实例感知跟踪器和动态模型更新的在线多目标跟踪

    提出一种实例感知跟踪器，结合单个物体跟踪和卷积神经网络技术，用于多物体跟踪，提高跟踪准确性。在 MOT15 和 MOT16 基准测试上表现最佳。

    Feb, 2019

  • 追踪不可追踪的物体：学习如何跟踪多个线索及其长期依赖性

    本文研究的是多目标跟踪中数据关联错误的问题，提出了一种基于 RNN 的多信号联合跟踪方法，能够编码多信号的长期时间依赖性，有效地解决了遮挡和外观相似等问题，取得了比之前公开数据集更好的跟踪效果。

    Jan, 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

  • 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

  • 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

  • MAT: 移动感知多物体跟踪

    本研究提出了一种增强型的运动感知多目标跟踪系统，集成了不同对象的多种运动模式，并引入动态重连上下文模块、三维积分图像模块等手段，取得了比其他先进跟踪器更为优越的高效性能。

    Sep, 2020

  • 混合排序：在线多目标跟踪中的弱线索重要性

    多目标跟踪 (MOT) 任务可以通过添加弱线索来解决目标遮挡和聚类问题，并在多个追踪器上展现出了明显和持续的改进。

    Aug, 2023