神经增强置信传播用于多目标跟踪
该研究致力于使用动态无向图和图形神经网络来解决多目标跟踪问题,同时提供了有效的解决方案和建议,证明了使用任何现成的检测器提供的原始边界框就足以在具有挑战性的多目标跟踪数据集上实现有竞争力的跟踪结果。
Jan, 2021
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
本文提出了一种新的 KF-based 预测模块,通过整合相机运动、深度信息和目标运动模型,解耦相机运动对目标轨迹的影响,最大程度地提高目标运动模型的可靠性,从而显著降低 OC-SORT 和 Deep OC-SORT 的身份切换数量,提高性能指标如 HOTA 超过 5%。
Apr, 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
本文提出了一种基于消息传递网络的全可微分多目标追踪框架,可以直接在图形领域进行操作,实现对于整个检测集的全局推理和最终解决方案的预测,证明了在多目标追踪领域,学习不仅需要局部特征提取,还可以应用于数据关联步骤,并在三个公开基准测试中取得了显著的 MOTA 和 IDF1 改进。
Dec, 2019
该研究提出了一个通用的、传感器无关的多模态多目标跟踪框架,通过在数据关联过程中编码点云的深度表示,使每种模态能够独立执行其职能以保证其可靠性,并通过新型的多模态融合模块进一步提高其精度。该框架在 KITTI 基准上的表现达到了最新水平。
Sep, 2019
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
本文介绍了一种在线目标跟踪方法,采用卡尔曼滤波器估算对象状态,并测量预测对象状态和当前检测数据之间的马氏距离以进行数据关联,该方法在 NuScenes Tracking Challenge 中表现优异。
Jan, 2020