May, 2022

基于稀疏图跟踪的在线多目标跟踪检测恢复

PDF
TL;DRSparse Graph Tracker (SGT) is an online graph tracker that leverages higher-order relational features to provide more discriminative matching with top-K tracked detections for real-time tracking, resulting in higher performance in MOT16/17/20 and HiEve Challenge compared to state-of-the-art trackers.
sparse graph trackeronline graph trackinghigher-order relational featuresdiscriminative matchingreal-time tracking
发现论文，激发创造
  • 基于轨迹预测的自适应图跟踪

    提出了一个多目标跟踪的准确的端到端学习框架，其中采用了运动预测重新提取了当前帧的跟踪器的特征， 基于自适应图神经网络将位置、外观和历史信息融合，并在训练中使用平衡的 MSE LOSS 来克服非平衡的样本。实验表明，该方法在 MOT16 和 MOT17 竞赛中均达到了 76.5％和 76.2％的 MOTA 的最先进水平。

    Oct, 2020

  • 三维多目标跟踪的图神经网络

    本研究提出了一种基于图神经网络和联合特征提取的 3D 多物体跟踪算法，通过在 KITTI 数据集上的实验验证，取得了最先进的 3D MOT 性能。

    Aug, 2020

  • 直接场景图生成的结构稀疏 R-CNN

    本文提出一种名为 结构化稀疏 R-CNN 的框架，该框架从场景图生成（SGG）的角度出发，将其视为直接集合预测。文中使用可学习的三元组查询和结构化三元组检测器，并提出级联体系结构用于渐进地完善检测到的场景图。在多个数据集上进行的实验结果表明，该方法具有最先进的性能。

    Jun, 2021

  • 通过邻居图增强多目标跟踪中的关联性

    该论文提出了一种改进的多目标跟踪方法，利用邻居之间的信息，通过构建邻居图和应用图卷积网络来学习图形特征，从而提高在线多目标跟踪的性能。

    Jul, 2020

  • 探索基于图推理的文本视觉问答中的稀疏空间关系

    TextVQA 中解决冗余关系推理的稀疏空间图网络 (SSGN) 被提出，通过空间感知关系修剪技术识别最重要的连接或消除冗余连接，在图学习中考虑物体 - 物体关系和 OCR-OCR 标记关系。实验证明 SSGN 在 TextVQA 和 ST-VQA 数据集上取得了令人满意的性能表现，并且某些可视化结果进一步证明了我们方法的可解释性。

    Oct, 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

  • 学习非均匀超图进行多目标跟踪

    本文提出了基于非均匀超图的近实时多目标跟踪算法，使用结构支持向量机自动学习不同程度的依赖关系的超边权重来建模各种依赖关系，实验结果表明我们的方法在各种具有挑战性的数据集上均优于现有的多目标跟踪方法。

    Dec, 2018

  • GNN3DMOT: 三维多目标跟踪的图神经网络和多特征学习

    该研究提出了两种技术来改进 3D 多目标跟踪中的判别特征学习，通过引入图神经网络实现对象间的特征互动，以及从二维和三维空间中同时提取外观和运动特征来减少混淆。最终实现了在 KITTI 和 nuScenes 3D MOT 测试中最先进的性能表现。

    Jun, 2020

  • 视频对象分割的时空图神经网络基于遮罩重建

    该研究提出了一种新型的时空图神经网络（STG-Net）方法，它通过利用所有 Object Proposals 并捕捉它们之间的关联来更精确地重建视频对象分割的遮罩，并通过滑动窗口方法以及记忆模型来捕捉时态相关信息。该方法在四个大型数据集上实现了最新的表现，并展示了其有效性。

    Dec, 2020

  • 视频场景图生成的时空知识嵌入 Transformer

    提出了一种将空间 - 时间知识嵌入到多头交叉注意力机制中的空间 - 时间知识嵌入变压器（STKET）模型，用于生成视频场景图并预测语义标签及其关系。经过广泛实验表明，STKET 在不同设置下相对于当前算法的 mR@50 提升了 8.1％，4.7％和 2.1％。

    Sep, 2023