ECCVAug, 2022

通过边缘推断实现鲁棒多目标跟踪

PDF
TL;DR本文提出了一种基于边缘概率计算的目标多目标追踪方法，可以取代原始特征距离，解决了不同视频中距离分布变化引起的单一特征距离阈值不准确的问题，并在 MOT17 和 MOT20 基准测试中获得了较好的结果，并且计算得到的概率更易于解释，有利于后续的后处理操作。
multi-object trackingone-to-one assignmentre-id featuresmarginal probabilitypost-processing operations
发现论文，激发创造
  • 人员再识别的增量三元组间隔学习

    此论文提出了一种多阶段训练方法和全局难样本挖掘方法来提高匹配度，通过实验展示在 Market-1501、CUHK03 和 DukeMTMCreID 等多个数据集上获得了比多数已有方法更高的性能表现。

    Dec, 2018

  • 简单非监督多目标追踪

    通过引入基于排序的追踪标签生成和交叉熵损失的无监督重新识别网络解决注释成本高的问题，可在无需追踪监督的情况下提高多目标跟踪的性能，为跟踪领域开拓更加简单和有效的解决方案提供新思路。

    Jun, 2020

  • 基于时间尺度连续性的自监督多目标跟踪

    通过在图像序列帧上进行一致的关联性评分，我们提出了一种学习重新识别特征的训练目标，可以显著降低 ID 开关，即使在 BDD100k 基准测试中表现和受监督的方法相当，也能够设置自监督多目标跟踪的新颖技术。

    Apr, 2023

  • 多目标追踪作为 ID 预测

    在多目标跟踪中，我们将目标关联任务视为一种端到端的上下文 ID 预测问题，并提出了一种简化版的 MOTIP 方法，通过直接预测当前帧中物体的 ID 标签来学习跟踪能力，从而避免了繁琐的手工算法。我们的方法在复杂场景中表现出色，并与其他基于 Transformer 的方法在 MOT17 上竞争力十足，展示出了显著的潜力，可作为未来研究的起点。

    Mar, 2024

  • 多目标多摄像头跟踪中的态势感知重新识别特征

    本文提出了一种新的多目标多摄像机跟踪框架，利用重识别模型，结合遮挡情况、目标朝向以及人体姿态信息，采用融合后的跟踪特征进行跟踪关联，有效地处理了目标识别和跟踪断点问题，并在多摄像机难度序列中取得了优秀的性能。

    Jun, 2019

  • 3D 多视角多目标跟踪的轨迹初始化与再识别

    使用 2D 检测从单目相机提出了一种三维多目标跟踪（MOT）解决方案，该解决方案在自动启动 / 终止跟踪，解决外观再出现和遮挡方面具有重要作用。

    May, 2024

  • MotionTrack: 多目标跟踪的运动预测器学习

    本文提出了一种名为 MotionTrack 的新型可学习动作预测器，其综合结合了两个层级的运动特征以增强时态动态的建模和促进个体物体准确的未来运动预测。

    Jun, 2023

  • 不确定性感知的无监督多目标追踪

    通过开发一个基于不确定性的度量标准，以验证和矫正风险的关联，本论文提出了一种通过模拟 tracklets 运动来增强学习特征一致性的 tracklet-guided 增强策略，同时采用分层不确定性采样机制进行难样本挖掘。最终的无监督 MOT 框架，即 U2MOT，在 MOT-Challenges 和 VisDrone-MOT 基准测试中被证明有效，取得了领先于其他已发表的监督和无监督跟踪器的性能。

    Jul, 2023

  • 关于多目标跟踪中检测和重新识别的公平性问题的研究

    本研究提出了一种基于中心点检测架构的叫做 FairMOT 的简单而有效的方法来解决目标检测和 Re-ID 之间的竞争问题，该方法在多目标跟踪方面表现出色，在多个公共数据集上均优于现有技术。

    Apr, 2020

  • 使用分层深度轨迹复识别技术进行多人跟踪

    本文提出了一个 hierarchical clustering 机制的跟踪框架，以便在利用 multi-stage deep network 进行 tracklet re-identification 的同时，合并 tracklets，从而提高多人追踪准确性。在 MOT16 和 MOT17 基准测试中，实验结果表明，我们的方法显著优于最先进技术。

    Nov, 2018