May, 2020

TAO: 一个用于追踪任何物体的大规模基准

PDF
TL;DR该研究介绍了一个多样化的跟踪数据集，采用自下而上的方法获取了一个比以前跟踪基准的种类翻了一个数量级的大词汇，并进行评估表明现有的多种对象跟踪器在野外场景中存在困难，而基于检测的多对象跟踪器实际上是有竞争力的。
multi-object trackingobject detectiondatasetlarge-vocabulary trackingevaluation
发现论文，激发创造
  • ECCV-TAO-2020 冠军解决方案：检测并表示任何跟踪对象

    该研究通过跟踪任意对象的任务，扩展了经典的 “跟踪 - 检测” 方法，采用多种技术结合实现了更好的检测和特征表示，并应用简单的链接策略和关联模块生成最终的跟踪结果。

    Jan, 2021

  • 图像和视频的桥接：用于大词汇视频目标检测的简单学习框架

    该论文提出了一个新的学习框架，结合 LVIS 和 TAO 数据集，解决了监督不足的问题，从而实现在视频识别中的检测和追踪，进而在 TAO 基准之上，提升了大型目标追踪器的表现。

    Dec, 2022

  • TrackingNet: 野外物体跟踪的大规模数据集和基准

    该研究提出了 TrackingNet 数据集，为在野外进行物体跟踪提供了第一个大规模数据集和基准，并评估了 20 多个追踪器模型，结果表明，在野外物体跟踪仍然远未解决。

    Mar, 2018

  • OVTrack: 开放式词汇多目标跟踪

    本研究解决了传统多目标跟踪方法只针对少数预定义对象类型的固有限制，并提出了一种新的任务 Open-vocabulary MOT，进一步开发出一种数据效率优异的开放词汇跟踪器 OVTrack，通过知识蒸馏和数据幻觉策略有效提升图像分类和关联准确性，最终在大规模的 TAO 基准测试上取得了最新的最优效果。

    Apr, 2023

  • 开放式实时追踪

    本文提出了一个新的用于在开放世界环境中追踪任何物体的基准测试 ——TAO-OW，并分析了多物体追踪方面的现有努力，并为此任务构建了一个基线，同时强调了未来的挑战。

    Apr, 2021

  • VastTrack：广阔类别的视觉目标跟踪

    通过引入一个名为 VastTrack 的新型基准，本文旨在促进更加通用的视觉跟踪算法的发展，包括丰富的类别和视频，它具有大量目标类别、更大的规模、丰富的注释等吸引人的特性。

    Mar, 2024

  • 大规模视频对象挖掘

    本文提出了一种利用普通物体跟踪器在大规模未标记的汽车环境视频中进行物体挖掘的方法，并展示了超过 36 万个自动挖掘的物体轨迹，并提出了一种自动发现新类别和学习检测器的方法。此外，我们还展示了利用挖掘轨迹进行目标检测器适应的初步结果。

    Sep, 2018

  • PathTrack: 利用路径监督实现快速的轨迹注释

    本文介绍了一种有效的框架以及注释轨迹的方法，用于生成具有前所未有的规模的 MOT 数据集，并通过验证表明我们的方法比现有技术更加准确和高效。此外，我们还 crowdsourcing 了 PathTrack 数据集，这个大规模的数据集将对物体追踪及目标识别领域产生重要影响，证明了这个数据集的价值，并且用已有的数据训练之后另行测评的结果证明了我们的方法的有效性。

    Mar, 2017

  • 非模态追踪任意物体

    通过引入 TAO-Amodal 基准测试数据集，并利用轻量级插件模块，amodal 扩展器，通过数据增强和少量视频序列的微调，我们在 TAO-Amodal 上分别实现了 3.3％和 1.6％对遮挡物体的检测和跟踪改善，并在人物方面相较于现有模态基线实现了巨大 2 倍的改进。

    Dec, 2023

  • LaSOT: 高质量大规模单目标跟踪基准

    LaSOT 是一个高质量的大规模单目标跟踪基准，拥有 85 个类别，共计超过 387 万帧，每帧都经过精心手动注释，提供了一个专门的高质量平台供跟踪器的训练和评估。在 LaSOT 上的广泛评估表明，仍然存在显着的改进空间。

    Sep, 2020