SRT3D：一种基于稀疏区域的现实世界三维物体跟踪方法

Oct, 2021

SRT3D：一种基于稀疏区域的现实世界三维物体跟踪方法

SRT3D: A Sparse Region-Based 3D Object Tracking Approach for the Real World

Manuel Stoiber, Martin Pfanne, Klaus H. Strobl, Rudolph Triebel, Alin Albu-Schäffer

TL;DR本研究提出 SRT3D，一种基于稀疏区域的方法，利用预先呈现的稀疏视点模型和基于新的牛顿优化方法的后验概率，实现纹理极少物体在场景中的快速而准确的运动跟踪。

Abstract

Region-based methods have become increasingly popular for model-based, monocular 3d tracking of texture-less objects in cluttered scenes. However, while they achieve state-of-the-art results, most methods are computationally expensive, requiring significant resources to run in real-tim

monocular 3d tracking region-based approach sparse viewpoint model probabilistic formulation newton optimization

发现论文，激发创造

立体三维物体跟踪的联合时空优化

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

SRCN3D: 自主驾驶稀疏 R-CNN 3D 环视摄像头物体检测与跟踪

本文介绍了 Sparse R-CNN 3D（SRCN3D），这是一种基于稀疏查询、稀疏注意力和稀疏预测的二阶段全稀疏探测器，用于环绕视图相机检测和跟踪。 SRCN3D 具有有效、快速和轻量级的特点，并在多目标跟踪中实现了综合利用运动特征、提议特征和 RoI 特征，与 2022.08.09 之前的最佳方法相比，在仅使用相机的多目标跟踪中，AMOTA 指标超过 10 个点。

Jun, 2022

Complexer-YOLO：基于语义点云的实时 3D 目标检测和跟踪

本文提出了一种融合神经网络、视觉语义分割、在自主驾驶场景下的 3D 目标检测方法，引入了一种名为 SRTs 的快速评估指标，并采用状态优化的多目标特征跟踪机制，实现了高精度和实时性的平衡，并在 KITTI 基准测试中验证了方法的有效性。同时，该方法首次将视觉语义与 3D 目标检测相融合。

Apr, 2019

通过 3D 模型估计跟踪未知视频对象

本文提出一种新的方法，在视觉目标追踪方面通过 3D 形态和位姿表达，结合可微分渲染技术优化一个新型的损失函数，取得了在三个数据集上追踪刚性物体方面的最新进展。

Apr, 2023

RTM3D：自动驾驶中利用物体关键点进行单目实时三维检测

该论文提出了一种高效准确的单目三维检测框架，通过预测图像空间中的九个三维边界框透视关键点，利用三维和二维透视的几何关系恢复三维空间中的物体属性，无需外部网络或监督数据，实现基于单目图像的实时三维检测。

Jan, 2020

SpatialTracker: 在 3D 空间中跟踪任意 2D 像素

通过估计 3D 空间中的点轨迹以减轻由图像投影引起的问题，本研究提出了一种名为 SpatialTracker 的方法，使用单目深度估计器将 2D 像素提升为 3D，并使用三平面表示高效地呈现每帧的 3D 内容，并使用变换器进行迭代更新以估计 3D 轨迹，通过在 3D 空间中进行跟踪，充分利用几乎刚性的约束，同时学习将像素分成不同刚性部件的刚性嵌入，广泛的评估结果显示，我们的方法在定性和定量上都实现了最先进的跟踪性能，特别是在包括平面外旋转等具有挑战性的场景中。

Apr, 2024

一种基于区域的高斯牛顿实时单目多物体跟踪方法

该研究提出了一种用于实时追踪刚体三维物体 6 自由度位姿的算法，采用单目 RGB 相机，利用一种基于区域的代价函数，并通过 Gauss-Newton 优化得到高度准确和鲁棒的跟踪性能，特别是在有杂乱背景，异质对象和局部遮挡的情况下，该算法表现出色。

Jul, 2018

通过 3D 到 2D 查询从多视角图像中进行 3D 物体检测

提出了一种基于多摄像头的 3D 对象检测框架，使用基于上下文注意力的网络，直接在 3D 空间中进行边界框的预测，实现了全球最佳性能。

Oct, 2021

S.T.A.R.-Track：适应空时外观表示的端到端 3D 物体跟踪潜在运动模型

本文介绍了一种基于注意力跟踪范式的物体中心、基于变压器的三维跟踪框架。我们提出了 S.T.A.R.-Track，该框架使用新颖的隐式运动模型（LMM）将目标查询进行调整，以直接考虑视角和照明条件的变化，同时显式建立几何运动模型。此外，我们还提出了一种可学习的跟踪嵌入，有助于建立跟踪存在概率的模型。在 nuScenes 基准测试中进行的广泛实验显示出我们方法的优势，不仅在 DETR3D 跟踪器方面表现出最先进的性能，同时还显着减少了轨迹的身份切换次数。

Jun, 2023

SeqTrack3D：探索序列信息以提升稳健的 3D 点云跟踪

SeqTrack3D 是一种基于 Sequence-to-Sequence 追踪范式的 3D 单目标追踪器，通过结合历史点云和边界框序列以确保鲁棒追踪，即使在稀疏点场景中也能利用历史边界框位置先验知识。在大规模数据集上的广泛实验表明，SeqTrack3D 实现了最新的最佳性能，NuScenes 上提高了 6.00％，Waymo 数据集提高了 14.13％。

Feb, 2024