基于相对定位映射的在线多行人跟踪 RLM-Tracking
通过将光流算法与深度学习架构相结合,提出了一种混合策略来实现实时目标追踪,实现了在追踪精度和计算成本之间的理想平衡,相比其他最先进方法在 MOTA 上达到了 0.608 的结果,并且运行时间减少了一半,准确性基本相同。
Aug, 2023
本文提出了一种基于单目图像序列和相机位姿的新型物体级重建方法 MOLTR,该方法可在线追踪、重建多个物体,包括物体的运动信息和几何形状信息,并在室内和室外环境的基准数据集上展示了性能优异的表现。
Dec, 2020
本文提出了一种多模态传感器模块化框架,用于实现在线多目标追踪,并对该方法进行了实验证明其在真实场景下对自主驾驶领域有重要的应用。
Feb, 2018
通过融合 2D 图像与 3D LiDAR 点云的特征,学习度量,以及在无匹配目标检测时初始化跟踪,提出了一种概率、多模态、多对象跟踪系统,实现了比现有技术更鲁棒、数据驱动的多对象跟踪。
Dec, 2020
使用基于学习的目标检测器和经典的跟踪算法相结合的方法,对成像雷达数据上的多目标跟踪方法进行了比较和分析,研究其在后续任务中的潜力,并考虑了概率关联算法的改进。
Jun, 2024
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
基于元学习的 MAML MOT 方法用于解决行人多目标跟踪中的样本稀缺问题,提高模型的泛化性能和鲁棒性,取得了在 MOT 挑战赛上的高准确率,为行人多目标追踪领域的研究提供了新的视角和解决方案。
May, 2024
在本文中,我们提出了一种名为 MapTrack 的方法,利用概率图、预测图和协方差自适应卡尔曼滤波器的三个轻量级插件算法,通过增强经典跟踪器 DeepSORT 在拥挤和遮挡场景中的鲁棒性,实现在常用的多目标跟踪基准集(如 MOTS17 和 MOT20)上的最先进效果。
Feb, 2024
本研究提出了一种增强型的运动感知多目标跟踪系统,集成了不同对象的多种运动模式,并引入动态重连上下文模块、三维积分图像模块等手段,取得了比其他先进跟踪器更为优越的高效性能。
Sep, 2020
Ret3D 是一个简单和有效的两阶段检测器,核心是利用新型的内帧和间帧关系模块来捕捉空间和时间关系。通过在通用基于中心或基于锚点的检测器上实例化我们的新设计,我们可以在 Waymo 开放数据集上获得最先进的性能。
Aug, 2022