Aug, 2022

基于 Transformer 的多目标跟踪分配决策网络

PDF
TL;DR本研究提出了一种基于 Transformer 的决策网络模型 (TADN)，无需在推理过程中进行显式优化，可在单个正向传递网络中直接推断检测和活动目标之间的关系，通过一种简单的 MOT 框架进行实现，并展示了在 MOT17 和 UA-DETRAC 两个受欢迎数据集上的高效性能，本方法在大多数评估指标上优于现有的 MOT 方法。
data associationmultiple object trackingtransformer-based assignment decision networktracking-by-detectionend-to-end training
发现论文，激发创造
  • 深度亲和网络用于多目标跟踪

    本研究提出了基于深度学习的数据关联方法来解决多目标跟踪中的数据关联问题，并在 MOT15、MOT17 和 UA-DETRAC 等数据集上通过 12 项指标的评估证明该方法是当今最佳的技术之一。

    Oct, 2018

  • ADA-Track: 多相机三维多目标跟踪的端到端交替检测和关联

    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

  • FANTrack: 基于特征关联网络的三维多目标跟踪

    我们提出了一种数据驱动的方法，使用卷积神经网络（CNN）在一个检测跟踪框架中进行数据关联来进行在线多目标跟踪（MOT）。我们的解决方案学习如何在数据和图像之间组合线索来解决关联问题，可以在处理复杂情况下准确跟踪物体并获得优异结果。

    May, 2019

  • 基于图神经网络的端到端数据关联框架用于在线多目标跟踪

    本文提出了一个以神经网络为基础的端到端框架，用于解决在线多目标跟踪中的数据关联问题。算法将帧间数据关联建模成最大带权二分匹配问题，并利用预先学习好的神经网络进行求解，该网络结合了外观和运动特征来计算有关联所需的邻接矩阵。实验表明，该框架能够提供更快的计算速度和更好的跟踪精度。

    Jul, 2019

  • 用图神经网络实现联合目标检测和多目标跟踪

    本研究提出一种基于图神经网络的联合多目标跟踪方法，通过优化检测和数据关联模块，兼顾准确性和运行效率，成功在多个 MOT 数据集上实现了最先进的性能表现。

    Jun, 2020

  • 使用双匹配注意力网络进行在线多目标跟踪

    本文提出了一种在线多目标跟踪算法，该算法将单目标跟踪和数据关联方法的优点融合在统一框架中，以处理嘈杂的探测和目标之间频繁的交互，并在多目标跟踪基准数据集上展示出较好的性能。

    Feb, 2019

  • 多目标跟踪中的数据关联机器学习方法

    本文综述了多目标跟踪管道中数据关联的问题，特别是针对学习方法在关联步骤中的应用。回顾了采用概率和端到端优化方法的数据关联方法，接着介绍了从数据中学习关联的方法，并比较了这些方法的性能。最后，讨论了未来的研究方向。

    Feb, 2018

  • MotionTrack: 基于 Transformer 的端到端多目标追踪与 LiDAR - 摄像头融合

    提出了一种基于 Transformer 的多模态传感器输入的端到端多目标跟踪算法（MotionTrack），它由基于 Transformer 的数据关联（DA）模块和基于 Transformer 的查询增强模块组成，同时实现了多目标检测（MOD）。MotionTrack 及其变体在 nuScenes 数据集上获得更好的结果（AMOTA 得分为 0.55），与 AB3DMOT、CenterTrack 和概率 3D 卡尔曼滤波器等经典基线模型相比有着更好的表现。

    Jun, 2023

  • 基于端到端学习的轨迹关联跟踪器：多目标跟踪的关联方法

    本文提出了一种名为 Tracklet Association Tracker（TAT）的新型多目标跟踪框架，旨在将特征学习和数据关联高效地融合在一起，通过双层优化公式实现，以使关联结果可以直接从特征中学习。同时，为了提高性能，本文采用了流派融合、对齐和选择等方法，在 MOT2016 和 MOT2017 基准测试中均取得了最先进的性能等级。

    Aug, 2018

  • DeconfuseTrack: 应对多目标跟踪的混淆问题

    通过 Decomposed Data Association（DDA）和 Occlusion-aware Non-Maximum Suppression（ONMS）模块的有针对性的利用，提出了一种名为 DeconfuseTrack 的多目标跟踪器，显著提高了多个常用跟踪器的性能，并在 MOT17 和 MOT20 测试集上取得了最先进的性能，明显优于基线跟踪器 ByteTrack，验证了我们的跟踪设计在简单全局关联引起的混淆问题上具有有效的减少混淆的能力。

    Mar, 2024