STTracker: 3D 单目标时空跟踪器
我们设计了一种创新的时空双向跨帧干扰滤波追踪器 STMD-Tracker,通过使用 4D 多帧时空图卷积骨干和双向跨帧内存过程,结合空间可靠高斯掩码和对象感知抽样策略,有效改善了 3D 单物体在 LIDAR 点云中的跟踪准确性,超过了当前最先进的方法。
Mar, 2024
SeqTrack3D 是一种基于 Sequence-to-Sequence 追踪范式的 3D 单目标追踪器,通过结合历史点云和边界框序列以确保鲁棒追踪,即使在稀疏点场景中也能利用历史边界框位置先验知识。在大规模数据集上的广泛实验表明,SeqTrack3D 实现了最新的最佳性能,NuScenes 上提高了 6.00%,Waymo 数据集提高了 14.13%。
Feb, 2024
3D 单目标跟踪是计算机视觉的前沿任务之一,本研究提出了一种基于点云的全新 3D 单目标跟踪框架 M3SOT,通过多个输入帧、多个感受野和多个解决空间的协同作用,从点云中直接建模时间性、上下文信息和任务,以实现高效的目标跟踪应用。M3SOT 的实验表明,在 KITTI、nuScenes 和 Waymo Open Dataset 等基准上,其性能达到了最先进的水平,帧率达到了 38 帧每秒。
Dec, 2023
通过 EasyTrack 提出一种新的一次性转换器 3D SOT 范例,利用点云跟踪特征预训练模块、统一的 3D 跟踪特征学习和融合网络,以及在密集鸟瞰特征空间中构建的目标定位网络,显著提高了 KITTI、NuScenes 和 Waymo 的性能,并具有较低的参数和高帧率。
Apr, 2024
本文采用多帧点云视频中的时间信息来探测 3D 物体。研究者们提出了一种名为 GMPNet 的格网信息传递网络来编码短期时间信息,并提出了一个名为 AST-GRU 的基于注意力的时空变换 GRU 来进一步聚合长期帧。在 NuScenes 基准测试中,该方法表现优异,且不需要任何额外的手段。
Jul, 2022
本文提出了一种基于学习的 3D 物体跟踪方法,通过从时间点云数据中学习物体对应关系和运动信息的模式,利用 lidar 数据和运动估计技术进行跟踪,以及采用简单有效的速度平滑模块对物体的运动进行估计,从而在 KITTI 和更大规模的 Nuscenes 数据集上优于现有的 3D 跟踪方法。
Oct, 2020
本文提出了一种基于运动中心范例的两阶段跟踪方法 M^2-Track 来解决传统外观匹配法在 LiDAR 点云跟踪中的不足,并在 KITTI、NuScenes 和 Waymo Open Dataset 三个数据集上表现出显著的精度提升(分别为 8%、17%和 22%),验证了该方法的有效性和前景。
Mar, 2022
通过估计 3D 空间中的点轨迹以减轻由图像投影引起的问题,本研究提出了一种名为 SpatialTracker 的方法,使用单目深度估计器将 2D 像素提升为 3D,并使用三平面表示高效地呈现每帧的 3D 内容,并使用变换器进行迭代更新以估计 3D 轨迹,通过在 3D 空间中进行跟踪,充分利用几乎刚性的约束,同时学习将像素分成不同刚性部件的刚性嵌入,广泛的评估结果显示,我们的方法在定性和定量上都实现了最先进的跟踪性能,特别是在包括平面外旋转等具有挑战性的场景中。
Apr, 2024
本文提出了一种基于 BoxCloud 和特征融合的 3D 物体跟踪算法,相比于之前的算法,在 KITTI 和 NuScenes 数据集上有了很大的提升。
Aug, 2021
通过深度神经网络强大的目标理解,同时处理精确几何建模的一致轨迹估计,提出了一种基于联合时空优化的立体 3D 对象跟踪方法,在 KITTI 跟踪数据集上取得显著优于先前方法的定量评估结果,并在多个类别和大型数据集(KITTI 原始和 Argoverse 跟踪)上进行了广泛的结果报告以供未来基准测试。
Apr, 2020