以点追踪物体
本文提出了使用基于点的方法代替基于盒子的方法进行三维物体的探测、跟踪及定位,并介绍了该方法中的 CenterPoint 框架,该框架检测对象的中心,然后针对其进行其他属性的回归,简化了物体跟踪,最终在 nuScenes 基准测试中达到了 65.5 NDS 和 63.8 AMOTA 的最高性能,同时超过了之前单一模型方法的所有记录,并在所有 Lidar-only 提交中排名第一。
Jun, 2020
PointTrackNet 使用机器学习技术构建一个端到端的 3D 目标检测和跟踪网络,在处理极端运动状态下的 KITTI 跟踪数据集时表现卓越。
Feb, 2020
本文提出一种名为 TopTrack 的多目标检测和跟踪方法,使用物体顶部作为检测关键点,可以减少遗漏检测,进而提高多目标跟踪的完整性和减少轨迹丢失。TopTrack 方法在两个 MOT 基准测试上取得了和其他先进跟踪器相媲美的成果。
Apr, 2023
本文总结了目前三维多目标跟踪方法并提出了 SimpleTrack 算法,指出了现有方法的缺陷并为其提出改进方案;在 Waymo Open Dataset 和 nuScenes 数据集上得到了新的最佳结果。本文还分析了现有数据集对算法真实能力的反映以及剩余失败情况的分布和原因,并提出了未来三维多目标跟踪的研究方向。
Nov, 2021
本研究提出了一种基于 SimTrack 的 3D 多目标跟踪系统,旨在简化手工制作的跟踪范例,通过使用端到端可训练的模型从原始点云中进行联合检测和跟踪,无需启发式匹配步骤,将跟踪对象的关联,新生对象的检测和死亡轨迹的消除集成为一个统一的模型。
Aug, 2021
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
本文提出了一个允许在共享模型中学习目标检测和外观嵌入的 MOT 系统,并进一步提出了一个简单快速的联合方法。这两个组件的计算成本与以前的 MOT 系统相比显着降低,为未来实时 MOT 算法设计提供了一个简洁快速的基准线。与分离检测和嵌入(SDE)学习相比,其跟踪准确性相当。
Sep, 2019
该论文提出了一种基于最新的人体检测和视频理解技术的轻量化人体关键点估计和跟踪方法,在帧级别和短视频片段中进行关键点估计,并进行轻量级跟踪,领先于多项竞争者,成为 2017 年 ICCV PoseTrack 的关键点跟踪挑战的最佳表现。
Dec, 2017
本文探索一种实用的多目标跟踪方法,强调高效地为实时应用程序分配对象。在追踪组件中,使用了卡尔曼滤波器和匈牙利算法等熟悉技术的简单组合,同时也发现检测质量是影响跟踪性能的关键因素之一。通过更改检测器,跟踪精度可以提高高达 18.9%。此外,由于跟踪方法的简单性,该跟踪器的更新速率为 260 Hz,比其他最先进的跟踪器快 20 倍以上。
Feb, 2016