本文提出了基于局部相关性模块的密集对应和可学习相关算子来增强模型的判别能力和对时间上下文的捕捉能力,从而在多目标跟踪方面取得了最先进的效果,并在 MOT17 数据集上实现了 76.5% 的 MOTA 和 73.6% 的 IDF1。
Apr, 2021
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。
Nov, 2018
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
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
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
本研究提出了一种新的联合模型,将位置预测和嵌入关联相结合,以尽量从目标信息中提取更可靠的嵌入,从而提高数据关联的准确性和鲁棒性。实验结果表明,该方法在 MOT 挑战基准测试中的性能优于现有方法。
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
本文提出了一种在线多目标跟踪算法,该算法将单目标跟踪和数据关联方法的优点融合在统一框架中,以处理嘈杂的探测和目标之间频繁的交互,并在多目标跟踪基准数据集上展示出较好的性能。
Feb, 2019
该研究提出了一种基于几何关系的多目标跟踪方法,通过将 3D 检测编码为图中的节点,并利用图边上的局部极坐标编码表征物体之间的空间和时间关系。在多项测试中,该方法显著超越了现有技术的水平,并在不同的场景和数据集上表现出了很好的泛化能力。
Aug, 2022
本文提出一种名为 TransMOT 的解决方案,利用强大的图形转换器来有效建模目标的空间和时间互作用,通过将轨迹作为一组稀疏加权图来排列跟踪对象的轨迹,并构建基于图形的空间图形变换器编码器层、时间变换器编码器层和空间图形变换器解码器层。Proposed 方法在多个基准数据集上进行评估,包括 MOT15、MOT16、MOT17 和 MOT20,在所有数据集上都达到了最先进的性能。