Jan, 2021

用多路池化的判别性外观建模进行实时多目标跟踪

PDF
TL;DR本研究提出了一种多目标跟踪方法，通过使用新颖的 “多轨道汇聚模块” 同时处理所有的轨迹，从而避免了在场景中存在类似目标时模型对每个目标进行单独建模的缺陷，实现了在线实时操作和最先进的性能表现。
multi-object trackingmemory updatingmulti-track pooling moduletraining strategyonline tracking performance
发现论文，激发创造
  • 在线目标跟踪的外观模型深度学习

    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

  • 面向在线多人跟踪的时间动态外观建模

    我们提出了一种利用时间动态特性来辨别不同人的外观建模方法并采用特征选择算法来描述外观变化的在线多人跟踪算法，该方法在 MOTChallenge 2015 基准测试上超越了同类算法。

    Oct, 2015

  • 使用双匹配注意力网络进行在线多目标跟踪

    本文提出了一种在线多目标跟踪算法，该算法将单目标跟踪和数据关联方法的优点融合在统一框架中，以处理嘈杂的探测和目标之间频繁的交互，并在多目标跟踪基准数据集上展示出较好的性能。

    Feb, 2019

  • 使用深度时间外观匹配联合进行在线多行人跟踪

    本研究提出了一种基于联合推理网络的轨迹外观模型，有效解决了在多目标跟踪中应对高维度外观信息的问题，且在识别目标与观测匹配以及保持目标的一致性方面具有重要贡献。

    Jul, 2019

  • 多物体跟踪的单目和多目特征学习

    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

  • 半监督轨道对比表示学习

    本文提出了一种基于实例到轨迹匹配的外观嵌入学习方法，可以处理在线多目标跟踪问题，该方法可以进行半监督学习，并且在多个数据集上都表现出了更好的性能。

    Jul, 2021

  • 实时多目标跟踪

    本文提出了一个允许在共享模型中学习目标检测和外观嵌入的 MOT 系统，并进一步提出了一个简单快速的联合方法。这两个组件的计算成本与以前的 MOT 系统相比显着降低，为未来实时 MOT 算法设计提供了一个简洁快速的基准线。与分离检测和嵌入（SDE）学习相比，其跟踪准确性相当。

    Sep, 2019

  • 使用深度学习候选人筛选和个体重新识别实现多人实时跟踪

    本研究提出了一种在线多目标跟踪方法，通过收集检测和跟踪的输出，利用基于完全卷积神经网络的新型评分函数处理不可靠检测，并采用深度学习出的外貌特征来提高跟踪的识别能力。该方法在人员跟踪基准测试中达到了实时和最先进的性能。

    Sep, 2018

  • MotionTrack: 学习多目标跟踪的强健短期和长期运动

    本文提出了一种名为 MotionTrack 的简单而有效的多目标跟踪器，它在统一框架中学习健壮的短期和长期运动，以将轨迹从短范围关联到长范围。通过在检测范例跟踪中嵌入 Interaction Module 和 Refind Module​​，在挑战性场景中，该方法在各种 MOT 指标上均实现了最先进的性能。

    Mar, 2023

  • DanceTrack：统一外观多样运动的多目标跟踪

    为了解决现有跟踪数据集中存在的外观区分度差的问题，在另一篇文章中作者提出了 DanceTrack 数据集，我们在其中观察到与现有跟踪基准相比，目前最先进的几个跟踪器的表现明显下降，这表明 DanceTrack 为发展依赖于运动分析而非视觉差异的更多 MOT 算法提供了更好的平台。

    Nov, 2021