Time3D: 自动驾驶端到端联合单目三维目标检测与跟踪
本文提出了一种多目标跟踪算法,该算法通过使用经过训练的深度神经网络检测和估计单个图像中的物体距离并结合先进的Poisson利用伯努利混合(PMBM)跟踪滤波器,能够在仅使用单目相机图像作为输入时实现3D跟踪,评估结果表明该算法在KITTI目标跟踪数据集中表现良好。
Feb, 2018
提出了一种基于单目视觉的3D车辆检测和跟踪的在线框架,并利用3D车辆坐标信息和深度匹配对数据进行关联,并设计了一个基于LSTM的动作学习模块,以进行更准确的长期运动外推。实验结果表明,该跟踪系统可以提供抗干扰性更强的数据关联和跟踪能力,并且在跟踪30米内的行驶车辆方面比基于激光雷达的方法表现更好。
Nov, 2018
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
提出了一种基于线性运动的单目视频三维物体检测方法,该方法通过将物体方向分解为两个部分并引入自平衡的三维置信度方法,有效地提高了三维定位精度,同时在KITTI自动驾驶数据集上取得了最好的表现。
Jul, 2020
该研究提出了一种可靠和准确的基于3D跟踪的框架,可在众多应用中预测周围物体的未来位置和规划观察者的行动,通过使用拟密度相似性学习,基于2D图像,进行初始2D关联,并进一步利用3D边界框深度排序启发式来实现强健的实例关联和基于运动的3D轨迹预测,实验表明,在基准测试中,该框架在城市驾驶场景下具有稳健的物体关联和跟踪,可用于自动驾驶。
Mar, 2021
基于 Transformer 架构构建的学习几何 3D MOT 框架 3DMOTFormer,在进行跟踪检测双向图的基础上,通过边分类进行数据关联,并提出了一种新颖的在线训练策略,通过自回归和递归前向传播以及序列化批量优化来减少训练和推断之间的分布不匹配。
Aug, 2023
提出了一种基于运动感知的单目三维多目标跟踪(MoMA-M3T)框架,通过在时间帧内捕捉物体的运动线索,将历史物体轨迹与当前观察结果进行匹配,实现与最先进方法相媲美的性能。
Aug, 2023
这篇论文通过引入结构增强、数据驱动策略和自主驾驶环境下的无监督深度估计,为自主驾驶应用中基于视觉的3D感知技术的广泛应用打下了坚实基础。
Mar, 2024
一个名为ADA-Track的新颖框架对多视角相机的3D多目标跟踪进行端到端的研究,利用可学习的数据关联模块和基于边缘增强的交叉注意力,同时结合检测和数据关联任务,以实现更好的效果。
May, 2024