FlowMOT:基于场景流的三维多目标跟踪
通过提出 FOLT 方法,本文致力于解决无人机视角下的多目标跟踪问题,通过采用现代化检测器和轻量级光流提取器,提取目标检测特征和运动特征,并利用光流增强目标检测特征,预测对象在下一帧中的位置,并通过空间匹配方案匹配检测到的对象和预测的对象,从而成功地跟踪小型、大规模且具有不规则运动的对象,在无人机多目标跟踪任务中胜过现有的最先进方法。
Aug, 2023
该论文提出了一个简单实时的 3D 多目标跟踪系统,使用 3D Kalman 滤波器和匈牙利算法进行状态估计和数据关联,并提出了新的 3D MOT 评估工具和新的评估指标,可在 KITTI 和 nuScenes 数据集上获得最先进的性能和最快的速度。
Jul, 2019
提出了一种基于 Transformer 的多模态传感器输入的端到端多目标跟踪算法(MotionTrack),它由基于 Transformer 的数据关联(DA)模块和基于 Transformer 的查询增强模块组成,同时实现了多目标检测(MOD)。MotionTrack 及其变体在 nuScenes 数据集上获得更好的结果(AMOTA 得分为 0.55),与 AB3DMOT、CenterTrack 和概率 3D 卡尔曼滤波器等经典基线模型相比有着更好的表现。
Jun, 2023
本文提出了一种新颖的多模态多目标跟踪算法,用于自动驾驶汽车,该算法结合了相机和 LiDAR 数据。通过使用先进的 3D 物体检测器处理相机帧,以及使用经典的聚类技术处理 LiDAR 观察数据。该算法由三个步骤的联合过程、用于估计每个检测到的动态障碍物运动的扩展卡尔曼滤波器,以及轨迹管理阶段组成。与大多数先进的多模态目标跟踪方法不同,该算法不依赖地图或车辆全局姿态的知识。此外,它专门针对相机使用 3D 检测器,并且对使用的 LiDAR 传感器类型不敏感。该算法在仿真环境和实际数据中进行验证,并且结果令人满意。
Mar, 2024
本文设计了一种名为 FFT 的端到端 DNN 跟踪方法,采用流动目标和融合目标两种有效技术,其中 FlowTracker 探索复杂的目标运动模式,而 FuseTracker 从 FlowTracker 和检测器中细化和融合目标,在多个 MOT 基准测试中均取得了最先进的结果。
Jan, 2020
本文总结了目前三维多目标跟踪方法并提出了 SimpleTrack 算法,指出了现有方法的缺陷并为其提出改进方案;在 Waymo Open Dataset 和 nuScenes 数据集上得到了新的最佳结果。本文还分析了现有数据集对算法真实能力的反映以及剩余失败情况的分布和原因,并提出了未来三维多目标跟踪的研究方向。
Nov, 2021
本研究提出了一种简单实时的 3D 多目标跟踪系统,使用 3D Kalman 过滤器和匈牙利算法实现状态估计和数据关联,并提出了一种新的 3D MOT 评估工具以及三种新的评估指标。该方法在 KITTI 上表现出强大的 3D MOT 性能,并以 207.4 FPS 的速度运行。
Aug, 2020
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
该论文探讨了在 2D 多目标跟踪中的数据关联问题,并借鉴 3D 目标表示来解决这一问题,提出了一种新的基于 Pseudo 3D 标签的 2D MOT 方法 P3DTrack,通过视频数据自学习 3D 目标表示,并在 Waymo 开放数据集上达到了最新的最佳性能。
Jun, 2023
基于 Transformer 架构构建的学习几何 3D MOT 框架 3DMOTFormer,在进行跟踪检测双向图的基础上,通过边分类进行数据关联,并提出了一种新颖的在线训练策略,通过自回归和递归前向传播以及序列化批量优化来减少训练和推断之间的分布不匹配。
Aug, 2023