CVPRMar, 2020

面向在线多目标跟踪的统一目标运动和相似性模型

PDF
TL;DR本论文提出了一种新的 MOT 框架，即 UMA，该框架将对象运动和亲和模型统一到一个网络中，通过多任务学习，将单目标跟踪和度量学习集成在一个统一的三元组网络中。实验结果表明，UMA 在几个 MOT 挑战基准上取得了有希望的性能。
online multi-object trackingobject motionaffinity modelsingle networkuma
发现论文，激发创造
  • 深度亲和网络用于多目标跟踪

    本研究提出了基于深度学习的数据关联方法来解决多目标跟踪中的数据关联问题，并在 MOT15、MOT17 和 UA-DETRAC 等数据集上通过 12 项指标的评估证明该方法是当今最佳的技术之一。

    Oct, 2018

  • FAMNet: 在线多目标跟踪的特征、关联和多维分配联合学习

    本文提出了一种名为 FAMNet 的端到端模型，其中特征提取、亲和性估计和多维分配都在单个网络中优化，通过直接从分配标准答案中监督学习来实现鲁棒 MOT 的区分性特征和高阶亲和性模型。同时，将单目标跟踪技术和专用目标管理方案集成到 FAMNet 跟踪系统中，进一步恢复假阴性和抑制外部检测器生成的噪声目标候选项。在 MOT2015、MOT2017、KITTI-Car 和 UA-DETRAC 等多个基准测试上进行了评估，并与现有技术进行比较，在所有测试中均取得了出色表现。

    Apr, 2019

  • UnsMOT: 无监督多目标跟踪的统一框架与几何拓扑指导

    本文提出了一种将外观和运动特征与几何信息显式结合以提供更准确跟踪的新型无监督 MOT 方法 UnsMOT，通过 CNN 和 RNN 模型提取外观和运动特征，构建对象的图形，并利用 GNN 模型和 CNN 特征输出经优化的对象几何嵌入，通过匹配提取特征和几何嵌入，找出对象之间的关联，实验结果显示与最先进方法相比，在 HOTA、IDF1 和 MOTA 指标上表现出色。

    Sep, 2023

  • 基于图神经网络的端到端数据关联框架用于在线多目标跟踪

    本文提出了一个以神经网络为基础的端到端框架，用于解决在线多目标跟踪中的数据关联问题。算法将帧间数据关联建模成最大带权二分匹配问题，并利用预先学习好的神经网络进行求解，该网络结合了外观和运动特征来计算有关联所需的邻接矩阵。实验表明，该框架能够提供更快的计算速度和更好的跟踪精度。

    Jul, 2019

  • 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

  • 基于交叉任务协同的在线多目标跟踪

    本研究提出了一种新的联合模型，将位置预测和嵌入关联相结合，以尽量从目标信息中提取更可靠的嵌入，从而提高数据关联的准确性和鲁棒性。实验结果表明，该方法在 MOT 挑战基准测试中的性能优于现有方法。

    Apr, 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

  • 多目标运动建模联合检测与跟踪

    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

  • 使用双匹配注意力网络进行在线多目标跟踪

    本文提出了一种在线多目标跟踪算法，该算法将单目标跟踪和数据关联方法的优点融合在统一框架中，以处理嘈杂的探测和目标之间频繁的交互，并在多目标跟踪基准数据集上展示出较好的性能。

    Feb, 2019

  • 基于实例感知跟踪器和动态模型更新的在线多目标跟踪

    提出一种实例感知跟踪器，结合单个物体跟踪和卷积神经网络技术，用于多物体跟踪，提高跟踪准确性。在 MOT15 和 MOT16 基准测试上表现最佳。

    Feb, 2019