CVPRMar, 2022

多目标跟踪中的网络流全局目标学习

PDF
TL;DR本文提出了一个可微分的框架，通过解决一个双层优化问题，在学习过程中将训练和推断绑定在一起，以显式学习和正则化全局参数化的代价函数以实现更好的全局 MCF 跟踪目标，从而在 MOT16，MOT17 和 MOT20 等流行的多对象跟踪基准测试中实现了与当前最先进方法相当的竞争表现。
multi-object trackingmin-cost flowglobal trackingdifferentiable frameworkbi-level optimization
发现论文，激发创造
  • 一个混合数据关联框架用于稳健的在线多目标跟踪

    本文提出一种混合数据关联框架，使用最小代价多商品网络流进行在线多目标跟踪，实现了全局优化的数据关联和本地目标特定模型相结合的目标。

    Mar, 2017

  • 多目标跟踪的深度网络流

    本文讲述了如何通过反向传播学习网络流量数据关联的特征，通过应用到多目标跟踪中，消除了费用手工设计的烦恼，且在各种情况下测试表明相比手工设计费用，其效果更佳。

    Jun, 2017

  • TrackFlow: 多目标跟踪与归一化流

    通过概率建模解决多目标追踪中的多模态信息融合问题，提高了多个基于检测的追踪算法的性能。

    Aug, 2023

  • 带有上下文相互作用的多目标跟踪优化参数学习

    利用结构化预测和动态规划等方法进行多目标跟踪，学习参数，并取得了在三种基准测试中的可比较和更好的精度结果。

    Oct, 2016

  • 多目标跟踪的神经求解器学习

    本文提出了一种基于消息传递网络的全可微分多目标追踪框架，可以直接在图形领域进行操作，实现对于整个检测集的全局推理和最终解决方案的预测，证明了在多目标追踪领域，学习不仅需要局部特征提取，还可以应用于数据关联步骤，并在三个公开基准测试中取得了显著的 MOTA 和 IDF1 改进。

    Dec, 2019

  • 双阶段最小费用流多目标追踪方法

    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

  • 可学习的图匹配：将图分割与深度特征学习结合用于多目标跟踪

    本文提出一种新的学习可伸缩图匹配方法，用于解决目前多目标跟踪（MOT）任务中的数据关联问题，该方法可以使跟踪器在面对严重遮挡等困难情况时表现更加优异，同时在多项标准 MOT 数据集上取得了最先进的性能。

    Mar, 2021

  • 多目标联合分割和跟踪的多割切形式化

    本文提出一种基于最小代价多切割公式的联合图模型，该模型结合了点轨迹和对象检测的高级信息和本地关系，成功地解决了运动分割和多目标跟踪等任务。

    Jul, 2016

  • 为多目标跟踪学习提议分类器

    本论文提出了一个新颖的基于提议的可学习框架来解决多目标跟踪问题，该框架类似于 Faster RCNN，通过图聚类方法产生跟踪提议，并通过可训练的图卷积网络 GCN 来打分，实验结果表明这种方法在两个公共基准测试上比最先进的方法都有明显的性能提升。

    Mar, 2021

  • 基于因子图的点云 3D 多目标跟踪

    本文提出了基于高斯混合模型和因子图框架的非线性最小二乘优化，用于处理三维空间中多个移动物体的跟踪问题，并展示了在 KITTI 跟踪数据集上实验的表现。

    Aug, 2020