CVPRJun, 2020

多目标追踪的准密度相似性学习

PDF
TL;DR本论文介绍了半密集相似性学习及其对多目标跟踪的应用，通过对图像中的数百个区域提出了新的对比学习方法。最终得到的特征空间具有简单的最近邻搜索和良好的在线跟踪性能。该算法在多个数据集上取得更好的 MOTA 性能以及减少 ID 切换的效果。
similarity learningobject trackingquasi-dense trackingcontrastive learningdetection methods
发现论文，激发创造
  • 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

  • DQS3D：密集匹配的量化感知半监督三维检测

    本研究钻研的半监督三维物体检测问题，在考虑到在杂乱的三维室内场景中进行标注所需要的成本极高的情况下，我们采用了自学习的强健和原则性框架，提供了第一种半监督三维检测算法，该算法单阶段运作并允许稠密的训练信号，解决了多阶段流水线以及离散化 quantization 误差等问题。

    Apr, 2023

  • 质量至上：接纳质量线索以实现强大的 3D 多目标跟踪

    本文基于大量实证分析，提出了一种基于物体属性质量评估的分层联结策略，可有效提高三维多目标跟踪的性能表现。实验结果表明，该策略使得跟踪性能提高了 2.2% AMOTA，并在 nuScenes 数据集上表现出领先于现有最新技术的优异结果。

    Aug, 2022

  • 立体三维物体跟踪的联合时空优化

    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。

    Apr, 2020

  • 无标记跟踪：通过对比相似性学习进行无监督多目标跟踪

    本文探索了样本在视频帧之间的潜在一致性，并提出了一种无监督对比相似性学习方法 UCSL，其中包括自对比、交叉对比和模糊对比三个对比模块。我们的方法在现有基准上表现优于现有的无监督方法，并且甚至比许多完全监督方法提供更高的准确性。

    Sep, 2023

  • 为多目标跟踪学习提议分类器

    本论文提出了一个新颖的基于提议的可学习框架来解决多目标跟踪问题，该框架类似于 Faster RCNN，通过图聚类方法产生跟踪提议，并通过可训练的图卷积网络 GCN 来打分，实验结果表明这种方法在两个公共基准测试上比最先进的方法都有明显的性能提升。

    Mar, 2021

  • 稠密光学跟踪：连接数据点

    本文介绍了 DOT，一种新颖、简单且高效的方法，用于解决点追踪中存在的遮挡问题，并且通过最近邻插值计算粗糙的初始估计密集流场和可见性掩码，然后利用可学习的光流估计器对其进行精细化处理。实验证明 DOT 相较于当前的光流技术更加准确，在速度方面至少快两个数量级。

    Dec, 2023

  • 半监督轨道对比表示学习

    本文提出了一种基于实例到轨迹匹配的外观嵌入学习方法，可以处理在线多目标跟踪问题，该方法可以进行半监督学习，并且在多个数据集上都表现出了更好的性能。

    Jul, 2021

  • Slim DensePose: 从稀疏注释和运动线索中进行经济学习

    本文提出了一种更加高效的 DensePose 数据采集策略，即在视频帧中收集标记，并利用视频的动态传播地面真实注释，该方法可以通过提取视频中的运动线索来提高姿态估计结果。

    Jun, 2019

  • SparseTrack：基于伪深度场景分解的多目标追踪

    本文提出了一种新的多目标跟踪算法 SparseTrack，通过在密集场景中进行稀疏分解，估计目标相对深度，并采用深度级联匹配算法将一个密集目标集转换为多个稀疏目标集，从而提高数据关联的效率，最终在 MOT17 和 MOT20 基准上取得了与最先进方法相当的表现。

    Jun, 2023