Jun, 2023

STTracker: 3D 单目标时空跟踪器

PDF
TL;DR本文提出了一种基于多帧点云输入的 3D 单物体跟踪方法，能够编码目标的时空信息、学习目标的运动信息，且采用稀疏注意力机制进行特征融合，在 uiti 和 NuScenes 数据集上均取得了具有竞争力的结果。
3d single object trackingpoint cloudsmotion informationsparse attention mechanismlarge-scale benchmarks
发现论文，激发创造
  • 用于干扰物过滤的时空双向跨帧记忆的点云单目标跟踪

    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：探索序列信息以提升稳健的 3D 点云跟踪

    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

  • M3SOT：多帧、多场、多空间的 3D 单目标跟踪

    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

  • EasyTrack：高效紧凑的单流 3D 点云跟踪器

    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

  • 面向点云的三维视频目标检测的图神经网络和时空变换器注意力

    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

  • 从模式中跟踪：学习点云中对应模式进行 3D 物体跟踪

    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

  • 基于运动中心的三维点云单目标跟踪的范式：超越三维 Siamese 跟踪

    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

  • SpatialTracker: 在 3D 空间中跟踪任意 2D 像素

    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

  • 基于盒式感知的点云单目标跟踪特征增强

    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

  • 立体三维物体跟踪的联合时空优化

    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