CVPRFeb, 2020

MPM: 细胞跟踪的运动和位置映射的联合表示

PDF
TL;DR本文提出了一种名为 “运动与位置图”（Motion and Position Map，MPM）的细胞追踪方法，它可以同时表示检测和关联过程并保证任务间的连贯性，这是一种多目标跟踪密集环境下的简单但强大的方法。在真实的生物图像数据下，我们将该方法与当前跟踪方法进行了比较并发现它在各种条件下都表现优异，比第二好的方法提高了 5.2%。
cell trackingdetectionassociationmotion and position mapmulti-object tracking
发现论文，激发创造
  • MapTrack：在地图中的跟踪

    在本文中，我们提出了一种名为 MapTrack 的方法，利用概率图、预测图和协方差自适应卡尔曼滤波器的三个轻量级插件算法，通过增强经典跟踪器 DeepSORT 在拥挤和遮挡场景中的鲁棒性，实现在常用的多目标跟踪基准集（如 MOTS17 和 MOT20）上的最先进效果。

    Feb, 2024

  • 运动匹配：三维单目标跟踪的混合范式

    提出了一种混合模型，命名为 MTM-Tracker，将运动建模与特征匹配相结合，用于 3D 单物体追踪任务，并在大规模数据集上取得了竞争性能。

    Aug, 2023

  • TrackMPNN: 一种用于多目标跟踪的消息传递图神经网络架构

    该研究致力于使用动态无向图和图形神经网络来解决多目标跟踪问题，同时提供了有效的解决方案和建议，证明了使用任何现成的检测器提供的原始边界框就足以在具有挑战性的多目标跟踪数据集上实现有竞争力的跟踪结果。

    Jan, 2021

  • 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

  • 基于逐帧运动和外观的实时多目标跟踪

    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。

    May, 2019

  • DiffusionTrack: 多目标跟踪的扩散模型

    提出了一种简单但健壮的框架，将物体检测和关联作为从配对噪声框到配对真实框的一致去噪扩散过程来联合建模，通过新颖的渐进去噪扩散策略大幅提升了跟踪器的效果，在推理中，模型通过灵活的一步或多步去噪扩散过程，将一组随机生成的配对框优化为检测和跟踪结果，大范围实验证明了该方法在多个 MOT 基准测试上与当前最先进的方法相当。

    Aug, 2023

  • 鲁棒性多模态多目标追踪

    该研究提出了一个通用的、传感器无关的多模态多目标跟踪框架，通过在数据关联过程中编码点云的深度表示，使每种模态能够独立执行其职能以保证其可靠性，并通过新型的多模态融合模块进一步提高其精度。该框架在 KITTI 基准上的表现达到了最新水平。

    Sep, 2019

  • UCMCTrack: 统一相机运动补偿的多目标跟踪

    通过引入 UCMCTrack，本研究提出了一种新颖的基于运动模型的跟踪器，它能够有效地应对视频序列中的相机运动，并仅依赖于运动线索，在各种具有挑战性的数据集上取得了最先进的性能。

    Dec, 2023

  • 深入研究单目三维物体跟踪中的动作感知匹配

    提出了一种基于运动感知的单目三维多目标跟踪（MoMA-M3T）框架，通过在时间帧内捕捉物体的运动线索，将历史物体轨迹与当前观察结果进行匹配，实现与最先进方法相媲美的性能。

    Aug, 2023

  • CML-MOTS：协同多任务学习用于多目标跟踪和分割

    我们提出了一个在视频帧上进行实例级视觉分析的有效框架，可以同时进行对象检测、实例分割和多对象跟踪。通过一种名为关联连接的新型结构，我们实现了协同多任务学习，在可学习的 CNN 中的检测、分割和跟踪任务之间建立了额外的连接。这些额外的连接允许信息在多个相关任务之间传播，同时使这些任务受益。我们在 KITTI MOTS 和 MOTS 挑战数据集上广泛评估了所提出的方法，并获得了令人鼓舞的结果。

    Nov, 2023