基于置信度的三维多目标跟踪分数细化
提出了一种自监督的重构MOTS框架,并在CVPR 2020的MOTS挑战中获得了第一名,该框架利用数据关联,引入阈值,通过短期轨迹训练外观编码器,达到对MOTS结果的精细化改进。
Jul, 2020
提出了一种基于五种基本错误类型的子度量的多目标跟踪评估新指标HOTA(Higher Order Tracking Accuracy),该指标明确平衡了精确检测,关联和定位的效果,能够评估每个基本错误类型的子度量,并在跟踪性能分析方面较之于现有的指标更具有效性,此外,该指标的得分还能够更好地与人眼视觉跟踪性能评估相一致。
Sep, 2020
该研究提出了一种基于自回归运动模型的多目标跟踪算法,能够处理长期的遮挡问题,通过训练模型去学习自然轨迹的分布,与传统方法相比,在多个 MOT 基准数据集上表现更好。
Dec, 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
本文基于大量实证分析,提出了一种基于物体属性质量评估的分层联结策略,可有效提高三维多目标跟踪的性能表现。实验结果表明,该策略使得跟踪性能提高了2.2% AMOTA,并在nuScenes数据集上表现出领先于现有最新技术的优异结果。
Aug, 2022
通过利用轨迹交叉和低置信度检测的属性,我们提出了一个两阶段跟踪流程,采用最小网络流算法进行跟踪,可以准确地定位需要修正的不准确轨迹,通过实验在MOT基准数据集上取得了较高的准确度。
Nov, 2023
提出了UA-Track,一种能够解决3D多目标跟踪中存在的不确定性问题的框架,包括不确定性感知解码器、不确定性引导的查询去噪策略以及借助不确定性降低查询不确定性的方法。在nuScenes数据集上,UA-Track在测试集上取得了66.3%的AMOTA,超过了之前最佳的端到端解决方案8.9%的AMOTA。
Jun, 2024
本研究针对多目标跟踪中真实正检测框选择的不足,提出了一种改进的方法,以提升检测性能。论文提出了一种新的相似性度量方法,结合形状、马氏距离和软BIoU相似性,并引入了一种软检测置信度提升技术,使得置信度评分更为合理。该方法在MOT17和MOT20数据集上展示了显著的效果提升。
Aug, 2024
本研究提出了MCTrack,一种新的3D多目标跟踪方法,解决了现有跟踪模式在不同数据集泛化能力不足的问题。MCTrack提供了统一的解决方案,并统一了各数据集的感知结果格式,帮助多目标跟踪领域的研究者集中在核心算法开发上。此外,我们提出了一套新的评估指标,以评估运动信息输出,这对下游任务至关重要。
Sep, 2024