Mar, 2020

基于图神经网络和多样性采样的并行跟踪和预测

PDF
TL;DR本研究使用图神经网络（Graph Neural Networks）捕捉对象之间的互动方式，以更好地学习多目标跟踪（Multi-object tracking）的关联和轨迹预测（trajectory prediction）的社交上下文，并使用多样性采样技术避免生成重复样本，提高了 3D MOT 和轨迹预测的性能。
发现论文，激发创造
  • 三维多目标跟踪的图神经网络

    本研究提出了一种基于图神经网络和联合特征提取的 3D 多物体跟踪算法，通过在 KITTI 数据集上的实验验证，取得了最先进的 3D MOT 性能。

    Aug, 2020

  • GNN3DMOT: 三维多目标跟踪的图神经网络和多特征学习

    该研究提出了两种技术来改进 3D 多目标跟踪中的判别特征学习，通过引入图神经网络实现对象间的特征互动，以及从二维和三维空间中同时提取外观和运动特征来减少混淆。最终实现了在 KITTI 和 nuScenes 3D MOT 测试中最先进的性能表现。

    Jun, 2020

  • 用图神经网络实现联合目标检测和多目标跟踪

    本研究提出一种基于图神经网络的联合多目标跟踪方法，通过优化检测和数据关联模块，兼顾准确性和运行效率，成功在多个 MOT 数据集上实现了最先进的性能表现。

    Jun, 2020

  • 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

  • 可学习的图匹配：将图分割与深度特征学习结合用于多目标跟踪

    本文提出一种新的学习可伸缩图匹配方法，用于解决目前多目标跟踪（MOT）任务中的数据关联问题，该方法可以使跟踪器在面对严重遮挡等困难情况时表现更加优异，同时在多项标准 MOT 数据集上取得了最先进的性能。

    Mar, 2021

  • 可迁移的 GNN 自适应轨迹预测

    提出了一种新颖的可传递图神经网络（T-GNN）框架，该框架在统一框架中联合进行轨迹预测和域对齐。 结果表明所提出的方法对于解决不同轨迹域之间的差异具有优越的性能。

    Mar, 2022

  • TPNet: 运动预测的轨迹提议网络

    提出了一个新型的两阶段运动预测框架 ——Trajectory Proposal Network (TPNet)，即先通过生成候选的运动轨迹假设，再根据满足物理限制情况下的分类和细化来进行最终预测，从而实现了安全和多模态的预测，通过这种方法有效地缓解了运动预测问题的复杂性，同时保证了多模态输出。

    Apr, 2020

  • 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

  • 为多目标跟踪学习提议分类器

    本论文提出了一个新颖的基于提议的可学习框架来解决多目标跟踪问题，该框架类似于 Faster RCNN，通过图聚类方法产生跟踪提议，并通过可训练的图卷积网络 GCN 来打分，实验结果表明这种方法在两个公共基准测试上比最先进的方法都有明显的性能提升。

    Mar, 2021

  • 基于轨迹预测的自适应图跟踪

    提出了一个多目标跟踪的准确的端到端学习框架，其中采用了运动预测重新提取了当前帧的跟踪器的特征， 基于自适应图神经网络将位置、外观和历史信息融合，并在训练中使用平衡的 MSE LOSS 来克服非平衡的样本。实验表明，该方法在 MOT16 和 MOT17 竞赛中均达到了 76.5％和 76.2％的 MOTA 的最先进水平。

    Oct, 2020