CVPRApr, 2020

立体三维物体跟踪的联合时空优化

PDF
TL;DR通过深度神经网络强大的目标理解，同时处理精确几何建模的一致轨迹估计，提出了一种基于联合时空优化的立体 3D 对象跟踪方法，在 KITTI 跟踪数据集上取得显著优于先前方法的定量评估结果，并在多个类别和大型数据集（KITTI 原始和 Argoverse 跟踪）上进行了广泛的结果报告以供未来基准测试。
3d object trackingspatial-temporal optimizationdeep neural networkobject understandinggeometry modeling
发现论文，激发创造
  • 用立体视觉进行语义化三维物体和自我运动跟踪，用于自动驾驶

    本文提出了一种基于立体视觉的方法，用于在动态自动驾驶情景下跟踪摄像机姿态和三维语义对象，该方法使用易于标注的二维检测和离散视点分类结合轻量级语义推理方法获取粗略的三维物体测量，并基于当前的物体感知相机姿态跟踪实现物体位置的估计与 3D 建模以获得精确度和时间一致性。

    Jul, 2018

  • 通过 3D 模型估计跟踪未知视频对象

    本文提出一种新的方法，在视觉目标追踪方面通过 3D 形态和位姿表达，结合可微分渲染技术优化一个新型的损失函数，取得了在三个数据集上追踪刚性物体方面的最新进展。

    Apr, 2023

  • 单目三维车辆检测与跟踪

    提出了一种基于单目视觉的 3D 车辆检测和跟踪的在线框架，并利用 3D 车辆坐标信息和深度匹配对数据进行关联，并设计了一个基于 LSTM 的动作学习模块，以进行更准确的长期运动外推。实验结果表明，该跟踪系统可以提供抗干扰性更强的数据关联和跟踪能力，并且在跟踪 30 米内的行驶车辆方面比基于激光雷达的方法表现更好。

    Nov, 2018

  • 可学习的物体中心全局优化在 3D 视频物体检测中的应用

    该研究探讨了长期时间视觉对应优化在三维视频对象检测中的应用，提出了具有目标中心时间对应学习和特征度量对象绑定调整的 BA-Det，取得了各种设置下基线 3D 检测器的 SOTA 性能。

    Mar, 2023

  • 使用深度学习和几何学进行 3D 边界框估计

    本文提出了一种使用单张图片进行三维目标检测与姿态估计的方法，通过使用深度卷积神经网络来回归相对稳定的三维目标属性，并使用二维边界框提供的几何约束来组合这些估计，从而产生完整的三维边界框。

    Dec, 2016

  • 单目准稠密三维物体跟踪

    该研究提出了一种可靠和准确的基于 3D 跟踪的框架，可在众多应用中预测周围物体的未来位置和规划观察者的行动，通过使用拟密度相似性学习，基于 2D 图像，进行初始 2D 关联，并进一步利用 3D 边界框深度排序启发式来实现强健的实例关联和基于运动的 3D 轨迹预测，实验表明，在基准测试中，该框架在城市驾驶场景下具有稳健的物体关联和跟踪，可用于自动驾驶。

    Mar, 2021

  • 通过时空对应将立体匹配和光流联系起来

    本文提出一种单一和原则性网络，用于联合学习立体匹配和流估计的时空对应关系，通过设计的几何连接作为临近时间内的立体对的无监督信号。结果表明，我们的方法对于 KITTI 基准数据集上的无监督深度和流估计都优于几种最先进的基线方法。

    May, 2019

  • 每个像素都很重要：利用整体三维运动理解进行无监督几何学习

    本文通过在未标记视频上观看，利用深度卷积神经网络来学习单张图像的三维几何估计，通过将像素水平的三维物体运动加入到学习框架中，提供了整体的三维场景流理解并有助于单张图像的几何估计。

    Jun, 2018

  • 分布式相机网络的异方差地理空间跟踪

    本研究旨在解决使用分布式摄像头网络进行地理空间物体跟踪的问题，界定物体的地理空间坐标和物体位置的不确定性，提出了一个新颖的单个物体地理空间跟踪数据集，并探讨了不确定性校准和通过可微的跟踪器对模型进行微调对性能的影响。

    Jun, 2023

  • 基于事件的移动物体检测的联合时空推理

    基于事件的移动目标检测中，提出了一种新的联合时空推理框架，通过运动补偿来识别移动目标，并从运动信任度和几何结构中有效地检测移动目标的最终区域。

    Mar, 2024