视频多目标跟踪的深度学习研究
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
本文是关于多目标跟踪 (MOT) 这一问题的首次综述研究,着重审查了各个方面的最新进展并提出未来研究的一些有趣方向。本文的四个主要贡献是:讨论了 MOT 系统中的关键方面,包括公式化、分类、关键原则和 MOT 评估;根据不同方面讨论了现有方法,每个方法组被分成不同组并详细讨论了原则、进展和缺点;总结了现有出版物的实验,并在流行数据集上汇总了结果,从不同角度分析了结果,验证了该领域的一些基本协议;并提出了 MOT 研究的问题和一些有趣方向,这将成为未来的潜在研究努力。
Sep, 2014
基于元学习的 MAML MOT 方法用于解决行人多目标跟踪中的样本稀缺问题,提高模型的泛化性能和鲁棒性,取得了在 MOT 挑战赛上的高准确率,为行人多目标追踪领域的研究提供了新的视角和解决方案。
May, 2024
3D 多目标跟踪是自动驾驶领域中的一个重要问题,本文对该领域的研究现状进行了综述和总结,提出了未来的研究方向,包括问题界定、分类、方法论、挑战、实验指标和数据集等方面的系统讲解和比较,为未来的研究提供了指导。
Sep, 2023
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
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
本文提出不同 iable 的 MOTA 和 MOTP 的替代方法,并结合适合深度多对象跟踪器的损失函数,使用深度匈牙利网络(DHN)模块来近似匈牙利匹配算法,从而直接优化深度跟踪器,从而在 MOTChallenge 基准测试中建立了新的最佳状态。
Jun, 2019
本文总结了目前三维多目标跟踪方法并提出了 SimpleTrack 算法,指出了现有方法的缺陷并为其提出改进方案;在 Waymo Open Dataset 和 nuScenes 数据集上得到了新的最佳结果。本文还分析了现有数据集对算法真实能力的反映以及剩余失败情况的分布和原因,并提出了未来三维多目标跟踪的研究方向。
Nov, 2021
提出了一种基于 Transformer 的多模态传感器输入的端到端多目标跟踪算法(MotionTrack),它由基于 Transformer 的数据关联(DA)模块和基于 Transformer 的查询增强模块组成,同时实现了多目标检测(MOD)。MotionTrack 及其变体在 nuScenes 数据集上获得更好的结果(AMOTA 得分为 0.55),与 AB3DMOT、CenterTrack 和概率 3D 卡尔曼滤波器等经典基线模型相比有着更好的表现。
Jun, 2023
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