以物体的顶部为标志进行跟踪
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
本文提出了使用基于点的方法代替基于盒子的方法进行三维物体的探测、跟踪及定位,并介绍了该方法中的 CenterPoint 框架,该框架检测对象的中心,然后针对其进行其他属性的回归,简化了物体跟踪,最终在 nuScenes 基准测试中达到了 65.5 NDS 和 63.8 AMOTA 的最高性能,同时超过了之前单一模型方法的所有记录,并在所有 Lidar-only 提交中排名第一。
Jun, 2020
PointTrackNet 使用机器学习技术构建一个端到端的 3D 目标检测和跟踪网络,在处理极端运动状态下的 KITTI 跟踪数据集时表现卓越。
Feb, 2020
该论文提出了一种端到端可训练的方法,结合物体检测和跟踪,并引入了序列记忆模块,使其更好地处理多物体跟踪,尤其是遮挡的情况。经过大规模的合成数据和实际测试,在 KITTI 和 MOT17 数据集上取得了最先进的性能表现。
Mar, 2021
本文提出了一种使用基于关键点估计网络的下向方法进行目标检测的算法,我们只需检测每个对象的最高、最左、最下、最右以及中心五个极点,并且如果这些点在几何上对齐,则将其分组为一个边界框,从而避免了区域分类或隐式特征学习,此算法表现出了与基于区域的检测算法相当的性能。
Jan, 2019
本篇论文提出了一种创新而有效的追踪方法 TrackletNet Tracker (TNT),它将时间和外观信息结合在一起作为一个统一的框架来处理多目标追踪 (MOT) 的挑战,并相比其他最先进方法,在 MOT16 和 MOT17 基准数据集上取得了令人满意的结果。
Nov, 2018
本文总结了目前三维多目标跟踪方法并提出了 SimpleTrack 算法,指出了现有方法的缺陷并为其提出改进方案;在 Waymo Open Dataset 和 nuScenes 数据集上得到了新的最佳结果。本文还分析了现有数据集对算法真实能力的反映以及剩余失败情况的分布和原因,并提出了未来三维多目标跟踪的研究方向。
Nov, 2021
该论文提出了一种基于实例特异的物体质量度量生成优质提案的目标跟踪方法,并通过更新物体模型及学习提议的重排序来减少困难背景干扰物,以提高跟踪系统的鲁棒性,该方法在常见的跟踪基准测试中,性能优异,在快速运动物体以及超低帧率视频中表现出强大的鲁棒性。
Jul, 2015