本研究提出一种基于图神经网络的联合多目标跟踪方法,通过优化检测和数据关联模块,兼顾准确性和运行效率,成功在多个 MOT 数据集上实现了最先进的性能表现。
Jun, 2020
我们提出了一种数据驱动的方法,使用卷积神经网络(CNN)在一个检测跟踪框架中进行数据关联来进行在线多目标跟踪(MOT)。我们的解决方案学习如何在数据和图像之间组合线索来解决关联问题,可以在处理复杂情况下准确跟踪物体并获得优异结果。
May, 2019
本文提出一种新的学习可伸缩图匹配方法,用于解决目前多目标跟踪(MOT)任务中的数据关联问题,该方法可以使跟踪器在面对严重遮挡等困难情况时表现更加优异,同时在多项标准 MOT 数据集上取得了最先进的性能。
Mar, 2021
本研究提出了一种基于图神经网络和联合特征提取的 3D 多物体跟踪算法,通过在 KITTI 数据集上的实验验证,取得了最先进的 3D MOT 性能。
Aug, 2020
本文提出了一个以神经网络为基础的端到端框架,用于解决在线多目标跟踪中的数据关联问题。算法将帧间数据关联建模成最大带权二分匹配问题,并利用预先学习好的神经网络进行求解,该网络结合了外观和运动特征来计算有关联所需的邻接矩阵。实验表明,该框架能够提供更快的计算速度和更好的跟踪精度。
Jul, 2019
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。
该研究提出了一种使用图卷积神经网络 (GCNN) 进行特征提取和端到端特征匹配来进行在线多目标跟踪 (MOT) 的新方法,通过使用 Sinkhorn 算法进行模型训练中对象之间的关联学习,从而提高了在 MOT 任务中的性能表现。
Sep, 2020
该研究提出了两种技术来改进 3D 多目标跟踪中的判别特征学习,通过引入图神经网络实现对象间的特征互动,以及从二维和三维空间中同时提取外观和运动特征来减少混淆。最终实现了在 KITTI 和 nuScenes 3D MOT 测试中最先进的性能表现。
本篇研究论文提出了一种基于学习的三维多目标跟踪方法,在公共数据集 nuScenes 上取得了近年来最好的性能表现,采用的关键技术包括神经消息传递网络、数据关联和轨迹稳定性的处理。
Apr, 2021
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