Apr, 2020

关于多目标跟踪中检测和重新识别的公平性问题的研究

PDF
TL;DR本研究提出了一种基于中心点检测架构的叫做 FairMOT 的简单而有效的方法来解决目标检测和 Re-ID 之间的竞争问题，该方法在多目标跟踪方面表现出色，在多个公共数据集上均优于现有技术。
发现论文，激发创造
  • 多目标跟踪中检测和 ReID 竞争的重新思考

    为了解决一次性追踪模型中的任务竞争问题，提出了一种具有自身关系和交叉关系设计的新型互惠网络（REN），并引入了一个尺度感知的注意网络（SAAN），将二者整合为一的强大的 MOT 跟踪器 CSTrack，可以在 MOT16，MOT17 ​​和 MOT20 数据集上获得最先进的性能，且高效运行于现代单个 GPU 上。

    Oct, 2020

  • 基于元学习的多目标追踪

    基于元学习的 MAML MOT 方法用于解决行人多目标跟踪中的样本稀缺问题，提高模型的泛化性能和鲁棒性，取得了在 MOT 挑战赛上的高准确率，为行人多目标追踪领域的研究提供了新的视角和解决方案。

    May, 2024

  • IA-MOT: 具有运动一致性的实例感知多目标追踪

    本文提出一种基于 “Mask R-CNN” 的新型跟踪框架，称为 “instance-aware MOT”，能够联合考虑实例级特征和对象运动来在静态或移动摄像机中跟踪多个对象

    Jun, 2020

  • 基于未伪造控制的身份转换检测与纠正

    本文采用无证明控制来解决多目标跟踪中的 ID 切换问题，并提出了简单有效的策略来处理外观信息的模糊匹配，实验结果表明该跟踪器在处理遮挡和快速移动引起的跟踪错误方面表现出优秀的效果和鲁棒性。

    Jul, 2023

  • MotionTrack: 多目标跟踪的运动预测器学习

    本文提出了一种名为 MotionTrack 的新型可学习动作预测器，其综合结合了两个层级的运动特征以增强时态动态的建模和促进个体物体准确的未来运动预测。

    Jun, 2023

  • 利用连通性：TrackletNet 多物体跟踪

    本篇论文提出了一种创新而有效的追踪方法 TrackletNet Tracker (TNT)，它将时间和外观信息结合在一起作为一个统一的框架来处理多目标追踪 (MOT) 的挑战，并相比其他最先进方法，在 MOT16 和 MOT17 基准数据集上取得了令人满意的结果。

    Nov, 2018

  • 多目标跟踪的遮挡感知检测和重新识别校准网络

    针对多目标跟踪中的遮挡问题，本文提出了一种考虑遮挡的检测和 Re-ID 校准网络，名为 ORCTrack。通过引入 Occlusion-Aware Attention 模块和优化传输问题的 Re-ID 匹配块，该方法在 VisDrone2021-MOT 和 KITTI 数据集上实验表明了其卓越性能和高运行效率。

    Aug, 2023

  • 多目标追踪作为 ID 预测

    在多目标跟踪中，我们将目标关联任务视为一种端到端的上下文 ID 预测问题，并提出了一种简化版的 MOTIP 方法，通过直接预测当前帧中物体的 ID 标签来学习跟踪能力，从而避免了繁琐的手工算法。我们的方法在复杂场景中表现出色，并与其他基于 Transformer 的方法在 MOT17 上竞争力十足，展示出了显著的潜力，可作为未来研究的起点。

    Mar, 2024

  • 3D 多视角多目标跟踪的轨迹初始化与再识别

    使用 2D 检测从单目相机提出了一种三维多目标跟踪（MOT）解决方案，该解决方案在自动启动 / 终止跟踪，解决外观再出现和遮挡方面具有重要作用。

    May, 2024

  • 非受限环境下的多人跟踪和再识别的 Transformer 网络

    提出了一个综合的多目标跟踪方法 STMMOT，该方法结合了目标检测和身份链接，能够在长时间内维持目标身份链接，并利用具有注意力机制的鲁棒时空记忆模块和动态查询嵌入来预测目标状态，消除了后处理的需求。

    Dec, 2023