学习跟踪任意物体

ICCVOct, 2019

Learning to Track Any Object

Achal Dave, Pavel Tokmakov, Cordelia Schmid, Deva Ramanan

TL;DR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。

Abstract

object tracking can be formulated as "finding the right object in a video". We observe that recent approaches for class-agnostic tracking tend to focus on the "finding" part, but largely overlook the "object" part of the task, essentially doing a template matching over a frame in a sli

object tracking category-agnostic object-specific detector state-of-the-art results instance segmentation masks

发现论文，激发创造

跟踪，然后决策：基于视觉的多目标跟踪与类别无关

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

使用跟踪对象提案进行视频对象分割

通过结合基于类别的目标检测、类别独立的目标外观分割和时间上的目标追踪等方法，通过训练全卷积网络对视频中的特定对象外观进行独立的分割，再引入对检测框时间上的连续性约束，从而实现半监督视频目标分割。

Jul, 2017

使用大型预训练模型进行零样本开放词汇跟踪

通过重复用大规模预训练模型进行检测和分割，本研究提出了一种在 2D 视频中追踪和分割任何类别对象的模型，并在多个评估数据集上取得了强大的性能表现。

Oct, 2023

无类别目标检测

本文提出一种新的问题，即识别边界框内任意物体而不考虑它们的类别，以解决传统检测器在现实应用中的局限性，而作者提出的对抗性学习框架可以提高非类别感知物体检测的效力。

Nov, 2020

基于条件的视频目标中心学习

该论文提出了一种弱监督学习方法，以对象为中心的表示和光流条件模型，可提高现实数据下的实例分割和追踪效果，改进了查询模型的灵活性，并扩展了应用范围。

Nov, 2021

学习目标不变的物体跟踪

该论文提出了一种端到端可训练的方法，结合物体检测和跟踪，并引入了序列记忆模块，使其更好地处理多物体跟踪，尤其是遮挡的情况。经过大规模的合成数据和实际测试，在 KITTI 和 MOT17 数据集上取得了最先进的性能表现。

Mar, 2021

基于分割的鲁棒视觉跟踪

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

无额外附加物的跟踪

本文提出了一种新的跟踪方法 Tracktor，该方法利用对象检测器的边界框回归来预测下一帧中对象的位置，同时扩展直接重识别和摄像机动作补偿，从而实现了超越现有任何跟踪方法的跟踪性能。

Mar, 2019

快速准确的在线视频目标分割：通过追踪部位

本研究提出了一种快速准确的视频目标分割算法，使用一个基于部件跟踪的方法来处理具有大变形、遮挡或杂乱背景的视频，生成部分掩模，最后采用基于相似性得分的函数来完善目标部分。实验结果表明，此算法可在 DAVIS 基准数据集上获得比其他算法更高的分割精度，并实现更快的运行时性能。

Jun, 2018

针对无监督视频多物体分割的目标感知对象发现和关联

该研究提出了一种新颖的无监督视频多目标分割方法，通过结合前景区域估计和实例分组来提高实例判别，引入判别性外观模型用于目标跟踪，实现更准确的物体发现，以及采用自适应内存更新等三种策略提高分割准确性和推理速度，并在 DAVIS17 和 YouTube-VIS 数据集上超越了现有技术的表现。

Apr, 2021