May, 2023

具有形状和置信度约束的多目标跟踪器 SCTracker

PDF
TL;DR本文提出了一种基于形状约束和置信度的多目标跟踪器，使用交并比距离结合形状约束计算轨迹与检测之间的代价矩阵，在数据关联阶段能够有效避免跟踪到错误的目标并使用基于置信度的卡尔曼滤波算法更新运动状态以提高跟踪效果。实验结果表明，该方法能够有效地提高多目标跟踪的性能。
detection-based trackingmulti-object trackingshape constraintconfidencedata association
发现论文，激发创造
  • 基于检测定位置信度的深度关联多目标跟踪框架：定位导向的跟踪

    基于检测的跟踪方法中，我们提出了一种考虑检测框定位置信度的本文的 LG-Track 方法，通过综合考虑检测框的外观相似性和定位准确性，设计了一种有效的深度关联机制，在 MOT17 和 MOT20 数据集上的实验结果表明，我们的方法优于现有的跟踪方法。

    Sep, 2023

  • Chained-Tracker：端到端多目标检测和跟踪的配对注意回归结果链式化

    提出了一种名为 Chained-Tracker（CTracker）的简单在线模型，它自然地将物体检测、特征提取和数据关联三个子任务集成到了一个端到端的解决方案中，并且采用了链式结构和成对关注回归技术，将 MOTA 记录提高到了 67.6 和 66.6，在 MOT16 和 MOT17 挑战数据集上实现了简单、快速、有效的多目标跟踪。

    Jul, 2020

  • 自主驾驶的概率三维多模态、多目标跟踪

    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

  • MapTrack：在地图中的跟踪

    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

  • 仅需两个探测器即可实现多模态三维多目标跟踪

    本文提出了一种基于多模态融合的新型多目标跟踪框架，通过将目标检测和多目标跟踪集成到同一模型中，取消了传统 TBD 范例中复杂的数据关联过程，并且不需要额外的训练。其次，探讨了历史轨迹回归的置信度，分析了一条轨迹在当前帧中的可能状态，并设计了置信度融合模块来指导有序关联的轨迹和检测的非极大值抑制。最后，在 KITTI 和 Waymo 数据集上进行了大量实验，结果表明，所提出的方法可以通过使用两个模态检测器实现鲁棒跟踪，并且比许多最新的基于 TBD 范例的多模式跟踪方法更加精确。

    Apr, 2023

  • 自主车辆上的移动多相机多 3D 物体跟踪

    本文提出了一个新的全局关联图模型与链接预测方法，以预测现有的 tracklets 位置并通过交叉注意力运动建模和外观重新识别将检测与 tracklets 链接起来，以解决由于不一致的 3D 对象检测引起的问题，并提高 nuScenes 检测挑战中标准 3D 对象检测器的检测准确率。实验结果表明，该方法在现有基于视觉的跟踪数据集上表现出了 SOTA 的性能。

    Apr, 2022

  • 自动驾驶的概率三维多目标跟踪

    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

  • 基于轨迹的物体检测和追踪集成

    本文提出一种新方法，通过在先前帧中计算的轨迹片段上使用对象检测来增加检测与追踪之间的协作，以获得更平稳和稳定的对象轨迹，从而在检测和跟踪精度上实现最先进的表现。

    Nov, 2018

  • 在线目标跟踪及提议选择

    本文提出了一种通过采用基于几何变换估算的新建议并运用多种线索的选择策略，来跟踪在对象可能经历严重旋转等多种变换下的的目标进行追踪，并在多个数据集中获得最佳性能。

    Sep, 2015

  • ReIDTrack：无运动的多对象追踪与分割

    基于 CBNetV2 和 Swin-B 的检测模型以及 MoCo-v2 的自监督外观模型，我们探索了一种新的 SOTA 方向，通过去除运动信息和 IoU 映射，取得了在 CVPR2023 WAD 研讨会的 MOTS 轨迹上的第一名以及 MOT 轨迹上的第二名的简单有效方法。

    Aug, 2023