无额外附加物的跟踪
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
该论文提出了一种基于实例特异的物体质量度量生成优质提案的目标跟踪方法,并通过更新物体模型及学习提议的重排序来减少困难背景干扰物,以提高跟踪系统的鲁棒性,该方法在常见的跟踪基准测试中,性能优异,在快速运动物体以及超低帧率视频中表现出强大的鲁棒性。
Jul, 2015
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
本文提出了一种基于分割的跟踪器,通过分割掩码来描述目标,相较于边框,在形状和对齐上更加精确,并且引入了一个独立的实例定位组件用于提高跟踪的鲁棒性,最终在挑战的数据集上取得了 69.7% 的成功率。
Mar, 2022
本文提出了一种名为 MotionTrack 的新型可学习动作预测器,其综合结合了两个层级的运动特征以增强时态动态的建模和促进个体物体准确的未来运动预测。
Jun, 2023
本文对视觉物体跟踪算法的最新趋势和进展进行了广泛的综述,评估了在噪声存在的情况下跟踪器的鲁棒性。我们发现,没有任何一种算法在噪声存在的情况下能够与无噪声条件下的效率相同,因此需要在评估新提出的跟踪算法时包含一个鲁棒性参数。
Feb, 2018
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
本文提出了一种通过采用基于几何变换估算的新建议并运用多种线索的选择策略,来跟踪在对象可能经历严重旋转等多种变换下的的目标进行追踪,并在多个数据集中获得最佳性能。
Sep, 2015
本文提出了一种基于分割掩码的跟踪器,使用无分类模型的多目标跟踪方法来跟踪物体,该方法能够利用语义信息以及跟踪未知对象,并能够发现和跟踪大量其他对象,并取得了与最先进的基于检测的跟踪方法相当的性能。
Dec, 2017