Sep, 2020

HOTA：用于多物体跟踪评估的高阶度量

PDF
TL;DR提出了一种基于五种基本错误类型的子度量的多目标跟踪评估新指标 HOTA（Higher Order Tracking Accuracy），该指标明确平衡了精确检测，关联和定位的效果，能够评估每个基本错误类型的子度量，并在跟踪性能分析方面较之于现有的指标更具有效性，此外，该指标的得分还能够更好地与人眼视觉跟踪性能评估相一致。
发现论文，激发创造
  • mvHOTA: 一种用于多点检测的多视图高阶跟踪精度度量指标，用于测量空间和时间相关性

    本研究提出了一种多视角高阶追踪度量（mvHOTA）来确定多点（多实例和多类）追踪方法的准确性，同时考虑时间和空间关联。我们演示了该指标用于评估内窥镜点检测数据集，并与其他调整的 MOT 指标进行比较，讨论了 mvHOTA 的性质，并展示了提议的多视图关联和遮挡指数（OI）如何方便处理遮挡。

    Jun, 2022

  • 多目标跟踪的本地度量

    本文介绍了一种基于有限时间视野的多目标跟踪的时空局部度量方法，其中历史平均跟踪精度（ATA）指标表现出对关联的敏感性，使得其在提取一系列特征方面比传统指标更为优越，为多目标跟踪领域提供了新的视角。

    Apr, 2021

  • MT_IoT 团队多目标跟踪挑战技术报告

    本文主要介绍了我们针对在复杂环境下的多目标跟踪挑战提出的方法，将其作为两个阶段的任务，包括人体检测和轨迹匹配，并具体设计了一个改进的人体检测器和一个位置匹配矩阵，使其在 DanceTrack 数据集上获得了高达 66.672 HOTA 和 93.971 MOTA 的成绩。

    Dec, 2022

  • BoT-SORT: 鲁棒的多行人跟踪关联

    本文介绍了一种新的鲁棒性强的跟踪器，该跟踪器可以将运动和外观信息、相机运动补偿和更准确的卡尔曼滤波状态向量相结合，其新的跟踪器 BoT-SORT 和 BoT-SORT-ReID 在 MOTChallenge 的 MOT17 和 MOT20 测试集上均排名第一。

    Jun, 2022

  • 训练深度多目标跟踪器的方法

    本文提出不同 iable 的 MOTA 和 MOTP 的替代方法，并结合适合深度多对象跟踪器的损失函数，使用深度匈牙利网络（DHN）模块来近似匈牙利匹配算法，从而直接优化深度跟踪器，从而在 MOTChallenge 基准测试中建立了新的最佳状态。

    Jun, 2019

  • 追踪野外一切

    本研究针对大规模多目标跟踪 (MOT) 数据集中存在的类别过多、类别相似等问题，提出了一种新的评价指标 Track Every Thing Accuracy (TETA)，并介绍了一种新的跟踪器 Track Every Thing tracker (TETer)，并利用 Class Exemplar Matching (CEM) 进行跟踪，实验证明了 TETA 和 TETer 在 BDD100K 和 TAO 等大规模数据集上相对于现有技术的显著提升。

    Jul, 2022

  • AttMOT: 引入辅助行人属性来改善多目标跟踪

    我们提出了一种简单、有效和通用的方法来预测行人属性，以支持通用的 Re-ID 嵌入。我们介绍了一个包含超过 80k 帧和 600 万行人 ID 的 AttMOT 大型综合数据集，用于行人跟踪。我们探索了不同的方法来融合 Re-ID 嵌入和行人属性，包括注意机制，希望能够促进属性辅助的多目标跟踪的发展。我们的方法 AAM 在 AttMOT 数据集上实验并在几个代表性的行人多目标跟踪基准中展示了其有效性和通用性。

    Aug, 2023

  • 基于端到端学习的轨迹关联跟踪器：多目标跟踪的关联方法

    本文提出了一种名为 Tracklet Association Tracker（TAT）的新型多目标跟踪框架，旨在将特征学习和数据关联高效地融合在一起，通过双层优化公式实现，以使关联结果可以直接从特征中学习。同时，为了提高性能，本文采用了流派融合、对齐和选择等方法，在 MOT2016 和 MOT2017 基准测试中均取得了最先进的性能等级。

    Aug, 2018

  • MAT: 移动感知多物体跟踪

    本研究提出了一种增强型的运动感知多目标跟踪系统，集成了不同对象的多种运动模式，并引入动态重连上下文模块、三维积分图像模块等手段，取得了比其他先进跟踪器更为优越的高效性能。

    Sep, 2020

  • 基于区间的层次性 IoU 跟踪

    本论文提出了一种名为 HIT 的分层 IoU 跟踪框架，通过利用 tracklet 间隔作为先验，实现统一的分层跟踪，并利用 IoU 进行关联，舍弃了繁重的外观模型、复杂的辅助线索和基于学习的关联模块，解决了关于目标尺寸、摄像机运动和分层线索的三个不一致问题，并在四个数据集上取得了良好的性能，为未来的跟踪方法设计提供了强大的基线，并证明了 HIT 可以与其他解决方案无缝集成。

    Jun, 2024