一种基于 CRF 的在线多目标跟踪轨迹失活框架
在此论文中,我们提出了一种基于深度连续条件随机场的在线多物体跟踪方法,其中的一元项和二元项分别通过 Convolution 神经网络的训练和非对称建模来估计跟踪对象的位移和关系,该方法在端到端训练和实验测试中表现出显著的优势。
Jun, 2018
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
在本文中,我们提出了一种名为 MapTrack 的方法,利用概率图、预测图和协方差自适应卡尔曼滤波器的三个轻量级插件算法,通过增强经典跟踪器 DeepSORT 在拥挤和遮挡场景中的鲁棒性,实现在常用的多目标跟踪基准集(如 MOTS17 和 MOT20)上的最先进效果。
Feb, 2024
设计了一种新的跟踪框架 MHIT,其核心在于引入运动估计模块捕捉运动信息和使用多层次深度特征和独立的相关滤波器进行跟踪,同时采用自适应的多分支相关滤波器融合方案,用于纠正特征冗余和物体局部遮挡的影响,通过实验证明,该系统可以显著提高跟踪性能,尤其是在 VOT2017 挑战赛上获得了 20.1% 的相对性能提升,并在 VOT2018 挑战赛上取得了最新的最佳表现。
Nov, 2018
本文提出了一种简单而有效的两阶段特征学习模型,以共同学习不同目标的单帧特征和多帧特征,从而在跟踪过程中实现鲁棒的数据关联。通过引入单帧特征学习模块和多帧特征学习模块,可以有效地关联相邻帧之间的目标和长时间丢失的目标。通过简单的数据关联逻辑,所提出的 VisualTracker 能够基于单帧特征和多帧特征进行鲁棒的多目标跟踪,实验结果表明该方法在 MOT17 和 MOT20 数据集上取得了显著的改进,并在 DanceTrack 数据集上达到了最先进的性能。
Nov, 2023
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
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
多目标跟踪是一个关键研究领域,本文提出了一种协作跟踪学习的方法,通过丰富的时间描述和特征的进一步融合,实现了在低帧率视频中的多目标跟踪,取得了优于现有方法的性能。
Aug, 2023
该研究提出了一种基于自回归运动模型的多目标跟踪算法,能够处理长期的遮挡问题,通过训练模型去学习自然轨迹的分布,与传统方法相比,在多个 MOT 基准数据集上表现更好。
Dec, 2020