AAAIDec, 2019

GlobalTrack：一种简单而强大的长期跟踪基线

PDF
TL;DR本文介绍了 GlobalTrack，它是一种纯全局实例搜索追踪器，可以执行全图像和多尺度搜索并具有高鲁棒性。通过使用使用两阶段目标检测器和交叉查询损失，GlobalTrack 避免了在线学习，不需要对位置或尺度进行惩罚，无需尺度平滑和轨迹细化，相对于需要复杂后处理的现有方法，在四个大型跟踪基准上取得了可比较的，甚至更好的性能，适合于长期跟踪。
发现论文，激发创造
  • 基于本地跟踪器集合的全局跟踪

    本研究结合了全局追踪和利用时间上下文的优点，通过局部追踪器的集成来全局追踪目标。实验表明我们的方法在六个数据集上表现优异。

    Mar, 2022

  • 全球跟踪变压器

    本论文提出了一种新型基于 Transformer 的架构，用于全局多目标跟踪，通过对各帧图像上的物体特征进行编码，通过路径查询将其分组成轨迹，与目标检测器联合训练，可以实现对任意对象的跟踪，并在 MOT17 基准测试中实现了 75.3 的 MOTA 和 59.1 的 HOTA，超越了基于成对联想的基线，并在 TAO 数据集上得到显著的 7.7 跟踪 mAP 的提高。

    Mar, 2022

  • 学习全局结构一致性以实现鲁棒目标跟踪

    本文提出了一种有效且高效的视觉目标跟踪方法，通过短期模型和长短期范式相结合来实现稳定性与适应性的平衡，并采用整体结构的一致性以及瞬时变化的建模来识别并定位目标。

    Aug, 2020

  • 学习长期跟踪器分数的空间分布

    该论文总结了长期跟踪中的关键问题，提出了基于融合追踪器策略的学习方法，并通过实验证明了模型与数据的独立性，并在竞争中取得了领先地位。

    Aug, 2023

  • 超越局部搜索：基于实例的提案实现目标追踪

    本文提出了一种物体跟踪方法，通过实例特定的物体性度量产生 “高质量” 提议，并更新物体模型，以集中处理这些提议中的困难误报，并学习按对象模型对提议重新排名，在流畅跟踪移动对象和超低帧速率视频方面表现良好。

    May, 2016

  • Skimming-Perusal” Tracking: 实时鲁棒长期追踪的框架

    本文提出了一种新的稳健、实时的长期跟踪框架，该框架基于提出的跳过浏览模块和快速浏览模块，其中快速浏览模块包括一个有效的边界框回归器和一个稳健的目标验证器，通过其置信度来推断最佳候选者。该跟踪器根据得分确定是否跟踪的对象在场或不在场，然后选择下一帧的局部搜索或全局搜索跟踪策略。为了加速图像范围内的全局搜索，设计了新的跳过浏览模块，以从大量滑动窗口中高效地选择最可能的区域。该方法在 VOT-2018 长期和 OxUvA 长期基准测试中得出最佳表现，并实时运行。

    Sep, 2019

  • 联合局部和全局搜索的跟踪：一种基于目标感知的注意力方法

    该论文提出了一种新的目标感知注意力机制 (称为 TANet)，并将其与跟踪检测框架相结合，以进行联合局部和全局搜索来实现强韧性跟踪。该方法通过提取目标对象补丁和连续视频帧的特征，并将它们串联在一起进入解码器网络，并深入探索候选搜索区域进行跟踪，从而在短期和长期跟踪基准数据集上取得了有效的实验结果。

    Jun, 2021

  • 长期视觉跟踪性能评估

    我们提出了一种新的长期跟踪性能评估方法，并提出了一个具有许多目标消失的精心选择序列的新挑战性数据集，通过使用适用于评估长期跟踪的新性能指标 - 跟踪精度，召回率和 F 得分来广泛评估了六个长期和九个短期的最先进的跟踪器，评估结果表明，良好的模型更新策略和全局检测能力对于长期跟踪性能至关重要，我们将该方法集成到 VOT 工具包中以自动化实验分析和基准测试，并促进了长期跟踪器的开发。

    Apr, 2018

  • 半小时追踪

    本文提出了一种在长期跟踪中综合应用全局和局部搜索策略的跟踪器，并采用自我质量评估指导谨慎更新，达到了较好的跟踪效果。

    Nov, 2017

  • 判别式尺度空间跟踪

    本文提出了一种利用相关滤波器进行目标尺度估计的跟踪方法，该方法可以有效地提高计算效率并在 OTB 和 VOT2014 数据集上优于 19 个和 37 个最先进的跟踪器。

    Sep, 2016