ECCV-TAO-2020 冠军解决方案:检测并表示任何跟踪对象
该研究介绍了一个多样化的跟踪数据集,采用自下而上的方法获取了一个比以前跟踪基准的种类翻了一个数量级的大词汇,并进行评估表明现有的多种对象跟踪器在野外场景中存在困难,而基于检测的多对象跟踪器实际上是有竞争力的。
May, 2020
本研究通过将类别特定的外观模型重新定义为通用的物体状态预测,在两种大规模跟踪基准测评(OxUvA 和 GOT)中实现了最先进的结果,并通过添加一个 mask 预测分支,为跟踪的对象生成实例分割掩模。
Oct, 2019
该论文提出了一个新的学习框架,结合 LVIS 和 TAO 数据集,解决了监督不足的问题,从而实现在视频识别中的检测和追踪,进而在 TAO 基准之上,提升了大型目标追踪器的表现。
Dec, 2022
本文提出了一种基于深度学习的新方法,用于基于视觉的单目标跟踪,该方法结合了卷积神经网络和贝叶斯损失层,提出了一种直接计算候选目标位置跟踪得分的网络架构。在标准跟踪基准上,该跟踪器达到了最先进的跟踪结果。
Jul, 2016
本文探讨了多目标跟踪中的 tracking-by-detection 模式,结合运动模型与数据驱动技术,使标准的 re-identification 网络在外观跟踪方面取得了极佳的结果,并在四个公共数据集上实现了最先进的表现。
Jun, 2022
本文介绍了一种名为 AOGTracker 的方法,用于在视频序列中同时跟踪,学习和解析(TLP)未知对象,使用分层和组合的 And-Or 图(AOG)表示方法。通过在线学习,使用潜在 SVM 来磨练 AOg 并解决背景中的干扰问题。通过实验表明,与现有算法相比,AOGTracker 具有更高的准确性和可靠性。
Sep, 2015
基于 CBNetV2 和 Swin-B 的检测模型以及 MoCo-v2 的自监督外观模型,我们探索了一种新的 SOTA 方向,通过去除运动信息和 IoU 映射,取得了在 CVPR2023 WAD 研讨会的 MOTS 轨迹上的第一名以及 MOT 轨迹上的第二名的简单有效方法。
Aug, 2023
本文提出了一种通过采用基于几何变换估算的新建议并运用多种线索的选择策略,来跟踪在对象可能经历严重旋转等多种变换下的的目标进行追踪,并在多个数据集中获得最佳性能。
Sep, 2015