ECCVAug, 2022

PolarMOT：在 3D 多目标跟踪中几何关系能带我们走多远？

PDF
TL;DR该研究提出了一种基于几何关系的多目标跟踪方法，通过将 3D 检测编码为图中的节点，并利用图边上的局部极坐标编码表征物体之间的空间和时间关系。在多项测试中，该方法显著超越了现有技术的水平，并在不同的场景和数据集上表现出了很好的泛化能力。
发现论文，激发创造
  • 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

  • 可学习的在线图像表征：用于 3D 多目标跟踪

    本篇研究论文提出了一种基于学习的三维多目标跟踪方法，在公共数据集 nuScenes 上取得了近年来最好的性能表现，采用的关键技术包括神经消息传递网络、数据关联和轨迹稳定性的处理。

    Apr, 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

  • 从视频中使用 3D 表示跟踪物体

    该论文探讨了在 2D 多目标跟踪中的数据关联问题，并借鉴 3D 目标表示来解决这一问题，提出了一种新的基于 Pseudo 3D 标签的 2D MOT 方法 P3DTrack，通过视频数据自学习 3D 目标表示，并在 Waymo 开放数据集上达到了最新的最佳性能。

    Jun, 2023

  • 多目标跟踪的空间 - 时间关系网络

    本研究提出一种名为空间 - 时间关系网络（STRN）的方法，利用统一框架同时编码多个线索来计算相似度，并深入研究了轨迹物体对的特征表示方法，成功地在 MOT15-17 基准测试中达到了最先进的精度。

    Apr, 2019

  • 3DMOTFormer：在线三维多目标跟踪的图形转换器

    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

  • 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

  • TransMOT: 面向多目标跟踪的时空图形变换器

    本文提出一种名为 TransMOT 的解决方案，利用强大的图形转换器来有效建模目标的空间和时间互作用，通过将轨迹作为一组稀疏加权图来排列跟踪对象的轨迹，并构建基于图形的空间图形变换器编码器层、时间变换器编码器层和空间图形变换器解码器层。Proposed 方法在多个基准数据集上进行评估，包括 MOT15、MOT16、MOT17 和 MOT20，在所有数据集上都达到了最先进的性能。

    Apr, 2021

  • 通过空间和时间变换器进行端到端多目标跟踪，超越两帧限制

    使用 Transformer 和时空嵌入的 MO3TR 方法，具有空间和时间注意机制，无需显式的数据聚类模块或任何启发式方法，成功解决了多物体追踪过程中的诸多挑战，表现方面同多个 popular MOT 图像和视频基准测试的现有最先进技术几乎相当或更好。

    Mar, 2021

  • 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