学习目标不变的物体跟踪
通过利用物体的持续存在性概念,我们提出了一个离线追踪模型,专注于被遮挡的物体轨迹,并使用向量化地图来改善跟踪结果,从而有效地恢复被遮挡的物体轨迹。在车辆轨迹方面,该模型在 3D 多物体跟踪中取得了显著的改善,比原始在线跟踪结果提高了 45% 的 IDS 和 2% 的 AMOTA。
Oct, 2023
通过数据学习目标物体的位置推测,需要拆分成四个子任务,其中第四个子任务最具挑战性,因为它需要一个系统来推理不可见物体的移动位置,本文介绍了一个统一的深度架构,可以在四种情况下学习预测物体位置,并在基于 CATER 的新数据集上对其进行评估,发现它优于以前的定位方法和各种基线。
Mar, 2020
在这篇论文中,我们考虑将不可见的物体视为伪遮挡物体,并旨在揭示它们的特征。我们提出了可视属性和自动标注算法来处理现有事件相机数据集,并利用跟踪策略来保持伪遮挡物体的永久性和边界框,同时引入了时空特征聚合模块和一致性损失以提高整体流程的稳健性。实验证明,额外的可见性标签可以辅助有监督训练,并且我们的方法在绝对 mAP 上比最先进的方法表现出显著的改进,提高了 7.9%。
Mar, 2024
使用 Transformer 和时空嵌入的 MO3TR 方法,具有空间和时间注意机制,无需显式的数据聚类模块或任何启发式方法,成功解决了多物体追踪过程中的诸多挑战,表现方面同多个 popular MOT 图像和视频基准测试的现有最先进技术几乎相当或更好。
Mar, 2021
本文提出了一种新的端到端的物体跟踪方法,它直接从原始传感器输入到物体的轨迹映射,而无需任何特征工程或系统识别模型。该方法基于深度学习和循环神经网络的序列建模,通过一种输入丢弃的学习方法,能够在无监督的情况下处理包括遮挡物在内的传感器数据,学习跟踪许多动态物体,适用于机器人类应用中常见的 2D 激光数据跟踪任务。
Feb, 2016
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
提出了一种能够应对大场景和多物体的无监督对象跟踪体系结构,包括空间不变运算(卷积和空间注意)和本地对象表示方案,在多个实验中展现了在有多个物体的混乱场景中跟踪对象比其他方法更好,并且能够很好地推广到训练时未遇到的更大,物体更多的视频中。
Nov, 2019
该研究提出了一种视频基于物体为中心的模型,通过适应物体为中心的插槽以及构建完整物体原型来处理遮挡,仅需要稀疏的检测标签进行物体定位和特征绑定,无需 ID 标签,并通过自我监督的期望最大化损失函数实现物体关联,实验证明了该方法在物体为中心的学习领域的卓越性能。
Sep, 2023
通过深度神经网络强大的目标理解,同时处理精确几何建模的一致轨迹估计,提出了一种基于联合时空优化的立体 3D 对象跟踪方法,在 KITTI 跟踪数据集上取得显著优于先前方法的定量评估结果,并在多个类别和大型数据集(KITTI 原始和 Argoverse 跟踪)上进行了广泛的结果报告以供未来基准测试。
Apr, 2020