ICCVJul, 2023

不确定性感知的无监督多目标追踪

PDF
TL;DR通过开发一个基于不确定性的度量标准，以验证和矫正风险的关联，本论文提出了一种通过模拟 tracklets 运动来增强学习特征一致性的 tracklet-guided 增强策略，同时采用分层不确定性采样机制进行难样本挖掘。最终的无监督 MOT 框架，即 U2MOT，在 MOT-Challenges 和 VisDrone-MOT 基准测试中被证明有效，取得了领先于其他已发表的监督和无监督跟踪器的性能。
unsupervised multi-object trackersreliable feature embeddingsuncertainty problemself-supervised techniquestemporal relations
发现论文，激发创造
  • UA-Track: 不确定性感知的端到端三维多目标跟踪

    提出了 UA-Track，一种能够解决 3D 多目标跟踪中存在的不确定性问题的框架，包括不确定性感知解码器、不确定性引导的查询去噪策略以及借助不确定性降低查询不确定性的方法。在 nuScenes 数据集上，UA-Track 在测试集上取得了 66.3% 的 AMOTA，超过了之前最佳的端到端解决方案 8.9% 的 AMOTA。

    Jun, 2024

  • UncertaintyTrack: 在多目标追踪中利用检测和定位的不确定性

    基于概率目标检测的定位不确定性估计的 2D MOT 方法在自动驾驶中能有效减少误检以及提升 MOTA。

    Feb, 2024

  • UnsMOT: 无监督多目标跟踪的统一框架与几何拓扑指导

    本文提出了一种将外观和运动特征与几何信息显式结合以提供更准确跟踪的新型无监督 MOT 方法 UnsMOT，通过 CNN 和 RNN 模型提取外观和运动特征，构建对象的图形，并利用 GNN 模型和 CNN 特征输出经优化的对象几何嵌入，通过匹配提取特征和几何嵌入，找出对象之间的关联，实验结果显示与最先进方法相比，在 HOTA、IDF1 和 MOTA 指标上表现出色。

    Sep, 2023

  • 无标记跟踪：通过对比相似性学习进行无监督多目标跟踪

    本文探索了样本在视频帧之间的潜在一致性，并提出了一种无监督对比相似性学习方法 UCSL，其中包括自对比、交叉对比和模糊对比三个对比模块。我们的方法在现有基准上表现优于现有的无监督方法，并且甚至比许多完全监督方法提供更高的准确性。

    Sep, 2023

  • 通过动画跟踪：多物体注视跟踪的无监督学习

    提出了一种称为 “Tracking-by-Animation” 的跟踪框架，通过利用可微分的神经模型对多个对象进行跟踪，并在重构帧中动画化这些对象，从而实现了无需标记数据的端到端 MOT 学习。同时进一步提出了优化数据关联的 “Reprioritized Attentive Tracking” 模型。

    Sep, 2018

  • 面向对象的多目标跟踪

    该研究提出了一种视频基于物体为中心的模型，通过适应物体为中心的插槽以及构建完整物体原型来处理遮挡，仅需要稀疏的检测标签进行物体定位和特征绑定，无需 ID 标签，并通过自我监督的期望最大化损失函数实现物体关联，实验证明了该方法在物体为中心的学习领域的卓越性能。

    Sep, 2023

  • UTOPIA: 通过跨域适应实现无限制目标跟踪

    本文提出了一种跨领域 MOT 自适应方法，以先前的数据集为基础，并通过自我学习和更新来模拟新数据的获取过程，采用自监督学习的策略，实验结果表明在多项挑战性设置中，相比完全监督、无监督和自监督的最新方法，该方法在跟踪度量 MOTA 和 IDF1 上具有卓越表现。

    Jun, 2023

  • 不确定性感知的自监督三维数据关联

    本研究提出利用自我监督度量学习的方式，以数据关联为重点，从大量未标注数据集中学习 3D 物体跟踪器。自我监督注释可以被用于有原则的学习点云嵌入，实现数据关联和 3D 跟踪。估计并结合跟踪的不确定度，设计嵌入以识别不同帧间的物体，通过未标注数据的训练，实现了更强大的跟踪效果。最终得到的跟踪器能够在帧间执行准确的数据关联，在 3D 跟踪中表现出色。

    Aug, 2020

  • 带有跨输入一致性的自监督多目标跟踪

    本文提出了一种自监督学习方法，用于训练仅提供无标签视频的多目标跟踪模型，通过交叉输入一致性的方法，在未经过监督的情况下优于多种经过监督的方法。

    Nov, 2021

  • 多物体跟踪的单目和多目特征学习

    本文提出了一种简单而有效的两阶段特征学习模型，以共同学习不同目标的单帧特征和多帧特征，从而在跟踪过程中实现鲁棒的数据关联。通过引入单帧特征学习模块和多帧特征学习模块，可以有效地关联相邻帧之间的目标和长时间丢失的目标。通过简单的数据关联逻辑，所提出的 VisualTracker 能够基于单帧特征和多帧特征进行鲁棒的多目标跟踪，实验结果表明该方法在 MOT17 和 MOT20 数据集上取得了显著的改进，并在 DanceTrack 数据集上达到了最先进的性能。

    Nov, 2023