May, 2019

基于逐帧运动和外观的实时多目标跟踪

PDF
TL;DR本文提出了一种高效的深度神经网络方法 ——FMA，计算两个视频帧之间的 Framewise Motion Fields，并对大量对象的边界框进行快速可靠匹配，同时实现 Frame-wise Appearance Features 的学习，以达到实时多目标跟踪并取得与现有最先进方法相竞争的结果。
multiple object trackingefficiencydeep neural networkframe-wise motion fieldsreal-time
发现论文，激发创造
  • 流动融合的多目标跟踪

    本文设计了一种名为 FFT 的端到端 DNN 跟踪方法，采用流动目标和融合目标两种有效技术，其中 FlowTracker 探索复杂的目标运动模式，而 FuseTracker 从 FlowTracker 和检测器中细化和融合目标，在多个 MOT 基准测试中均取得了最先进的结果。

    Jan, 2020

  • 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

  • IA-MOT: 具有运动一致性的实例感知多目标追踪

    本文提出一种基于 “Mask R-CNN” 的新型跟踪框架，称为 “instance-aware MOT”，能够联合考虑实例级特征和对象运动来在静态或移动摄像机中跟踪多个对象

    Jun, 2020

  • 实时多目标跟踪

    本文提出了一个允许在共享模型中学习目标检测和外观嵌入的 MOT 系统，并进一步提出了一个简单快速的联合方法。这两个组件的计算成本与以前的 MOT 系统相比显着降低，为未来实时 MOT 算法设计提供了一个简洁快速的基准线。与分离检测和嵌入（SDE）学习相比，其跟踪准确性相当。

    Sep, 2019

  • 注重细节：具有多样细粒度表征的在线多物体跟踪

    通过使用多头遮罩生成器来提取目标的精细特征，并通过二次采样技术来获得更高的分辨率和更精确的语义信息，我们提出了一种能够在多物体跟踪中获得最先进性能的新方法。

    Feb, 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

  • 多目标运动建模联合检测与跟踪

    引入基于深度学习的运动建模网络（DMM-Net）估算多个物体的运动参数，可用于联合检测和关联，以解决现有方法中深度模型过于依赖检测器、评估结果受检测器影响的问题。通过运用 DMM-Net 构建的 Omni-MOT 数据集，消除了检测器对多目标跟踪性能评估的影响，该方法取得了比传统方法更好的性能，速度更快。

    Aug, 2020

  • 深度亲和网络用于多目标跟踪

    本研究提出了基于深度学习的数据关联方法来解决多目标跟踪中的数据关联问题，并在 MOT15、MOT17 和 UA-DETRAC 等数据集上通过 12 项指标的评估证明该方法是当今最佳的技术之一。

    Oct, 2018

  • FANTrack: 基于特征关联网络的三维多目标跟踪

    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

  • MotionTrack: 多目标跟踪的运动预测器学习

    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