一种在线多目标跟踪器:检测与分割
本论文将多目标跟踪扩展到多目标跟踪和分割(MOTS)。为此,我们使用半自动注释程序为两个现有的跟踪数据集创建密集的像素级注释。通过我们的新注释,我们提出了一个新的基线方法,该方法使用单个卷积网络共同处理检测、跟踪和分割。我们演示了我们数据集的价值,在 MOTS 注释上训练可以提高性能,我们相信我们的数据集、指标和基线方法将成为开发超越 2D 边界框的多目标跟踪方法的宝贵资源。
Feb, 2019
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
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
本文提出了一种新的多对象跟踪方法,该方法利用无序的 2D 点云表示来生成实例嵌入,从随机选择的点中学习辨别实例嵌入,利用多种信息数据模态来丰富点特征,基于此建立了在线 MOTS 系统 PointTrack,在三个数据集上进行评估,并构建了一个更具挑战性的 MOTS 数据集 APOLLO MOTS。
Jul, 2020
RetinaTrack 是一种用于自动驾驶的联合的、简单而高效的多目标跟踪和目标检测模型,相较于当前业界最先进的跟踪算法有更好的表现且需要更少的计算量。
Mar, 2020
本文介绍了一种新型的自动生成训练数据代码库,以及改进了最先进的多目标跟踪和分割方法。文章提出了跟踪挖掘算法和 MOTSNet 的深度学习跟踪方法,并在 KITTI MOTS 数据集上取得了显著的性能提升。
Dec, 2019
本文针对 Generic MOT 提出了一种简单而有效的方法 Siamese-DETR,通过基于给定模板图像设计多尺度的对象查询,引入动态匹配训练策略,并通过在前一帧中添加跟踪框作为额外的查询框,简化了在线跟踪流程,将复杂的数据关联替换为更简单的非极大值抑制方法。广泛的实验证明,Siamese-DETR 在 GMOT-40 数据集上远远超过现有的 MOT 方法。
Oct, 2023
提出了一种区分性单射分割跟踪器 - D3S,通过应用两个具有互补几何特性的目标模型,一个针对广泛的变换,包括非刚性变形,另一个假设为刚体对象,实现了高鲁棒性和在线目标分割,在 VOT2016、VOT2018 和 GOT-10k 基准测试中性能优于所有跟踪器,并接近于 TrackingNet 的最先进跟踪器,在视频对象分割基准测试中优于领先的分割跟踪器 SiamMask,性能与顶级视频对象分割算法相当,运行速度接近实时。
Nov, 2019
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