Oct, 2020

F-Siamese Tracker：基于锥台的双重孪生网络用于 3D 单物体跟踪

PDF
TL;DR本文介绍了一种新型的 F-Siamese Tracker 方法，它通过更加稳健地整合 2D 和 3D 信息来减少冗余搜索空间，从而在 KITTI 跟踪数据集上显著提高了 3D 单目标跟踪和 2D 单目标跟踪性能。
f-siamese trackersingle object tracking2d and 3d integrationsearch space reductiononline accuracy validation
发现论文，激发创造
  • 基于运动中心的三维点云单目标跟踪的范式：超越三维 Siamese 跟踪

    本文提出了一种基于运动中心范例的两阶段跟踪方法 M^2-Track 来解决传统外观匹配法在 LiDAR 点云跟踪中的不足，并在 KITTI、NuScenes 和 Waymo Open Dataset 三个数据集上表现出显著的精度提升（分别为 8％、17％和 22％），验证了该方法的有效性和前景。

    Mar, 2022

  • 3D Siamese Transformer 网络用于基于点云的单目标跟踪

    本文使用 Siamese Transformer 网络，结合点云的形态信息和深度信息，在 3D 单目标跟踪任务中实现了鲁棒的交叉相关学习，取得了与 KITTI、nuScenes 和 Waymo 数据集上最优的表现。

    Jul, 2022

  • 3D-SiamRPN: 基于原始点云的实时 3D 单目标跟踪的端到端学习方法

    本文提出了一种基于 3D 点云数据的 3D-SiamRPN 网络方法，利用两个子网络的特征嵌入子网络和区域建议网络进行单目标跟踪，该方法在 KITTI 数据集和 H3D 数据集上展现出优秀的性能和泛化能力，还能实现实时追踪。

    Aug, 2021

  • 基于孪生网络的视觉目标跟踪器匹配优化

    在本文中，我们提出了两种简单而有效的机制：角度估计和空间遮罩，以解决 Siamese 网络追踪器的旋转和背景干扰问题，并提出了一个名为 Siam-BM 的结果追踪器，它不仅显着提高了追踪性能，而且更重要的是保持了实时性。在 VOT2017 数据集上的评估表明，Siam-BM 实现了 0.335 的 EAO，这使其成为迄今为止表现最佳的实时追踪器。

    Sep, 2018

  • 基于 Siamese Track-RCNN 的多目标跟踪

    Siamese Track-RCNN 提出了一种单一追踪系统，其中包括检测支路、基于 Siamese 的跟踪支路和物体重新识别支路，测试表明其在 MOTChallenge 等数据集中的表现优于现有方法且更加高效。

    Apr, 2020

  • 同步特征提取和匹配：用于 3D 物体跟踪的单支架框架

    本文提出了一种新颖的单分支框架 SyncTrack，通过同步特征提取和匹配，避免了传统的对模板和搜索区域分别进行编码器传递以及引入额外的匹配网络参数，并基于 Transformer 的动态关联实现了同步机制。此外，引入了一种新颖的注意力点采样策略 (APST) 来代替随机 / Farthest Points Sampling (FPS) 方法，通过注意力关系来指导采样，将点采样与特征学习相连接，有助于聚合更加明显和几何特征以进行稀疏点跟踪。在两个基准数据集（KITTI 和 NuScenes）上进行的广泛实验表明，SyncTrack 在实时跟踪方面取得了最先进的性能。

    Aug, 2023

  • STTracker: 3D 单目标时空跟踪器

    本文提出了一种基于多帧点云输入的 3D 单物体跟踪方法，能够编码目标的时空信息、学习目标的运动信息，且采用稀疏注意力机制进行特征融合，在 uiti 和 NuScenes 数据集上均取得了具有竞争力的结果。

    Jun, 2023

  • 全卷积孪生网络用于目标跟踪

    使用 ILSVRC15 数据集训练的全卷积 Siamese 网络在视频中实现物体检测和追踪，取得了多项基准测试中的最优性能。

    Jun, 2016

  • 用于视觉目标跟踪的判别性单次分割网络

    提出了一种具有判别性的单次拍摄分割跟踪器 D3S2，通过应用两种具有互补几何属性的目标模型，一种对广泛变换不变，包括非刚体变形，另一种假设刚性对象可同时实现稳健的在线目标分割。该跟踪器在不进行数据集微调的情况下，只训练分割作为主要输出，便比所有已发布的跟踪器在最近的短期跟踪基准 VOT2020 上表现更好，并且非常接近于 GOT-10k、TrackingNet、OTB100 和 LaSoT 上的最先进的跟踪器，D3S2 在视频目标分割基准上表现优于领先的分割跟踪器 SiamMask，并与顶级的视频目标分割算法相当。

    Dec, 2021

  • 用于实时目标追踪的双重孪生网络

    提出了一种基于 Siamese 网络的实时物体跟踪方法，利用图像分类任务中学习到的语义特征和相似度匹配任务中学习到的外观特征相结合，其中包括两个支路，一个用于语义特征学习，另一个用于外观特征学习，并针对前者提出了通道注意力机制，同时在 OTB-2013/50/100 数据集上取得了比其他实时跟踪器更好的性能。

    Feb, 2018