Aug, 2023

混合排序：在线多目标跟踪中的弱线索重要性

PDF
TL;DR多目标跟踪 (MOT) 任务可以通过添加弱线索来解决目标遮挡和聚类问题，并在多个追踪器上展现出了明显和持续的改进。
multi-object trackingobject occlusionclusteringweak cuessimple, online and real-time (sort)
发现论文，激发创造
  • StrongSORT：重现 DeepSORT

    这篇研究提出了 StrongSORT++ 的算法，结合了经典的 DeepSORT 追踪器及多方面的改进，并使用两种轻量级的插件算法 AFLink 和 GSI 解决 MOT 中的缺失关联和缺失检测问题，从而在多个公共基准测试中实现了最新的技术进展。

    Feb, 2022

  • 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

  • BoT-SORT: 鲁棒的多行人跟踪关联

    本文介绍了一种新的鲁棒性强的跟踪器，该跟踪器可以将运动和外观信息、相机运动补偿和更准确的卡尔曼滤波状态向量相结合，其新的跟踪器 BoT-SORT 和 BoT-SORT-ReID 在 MOTChallenge 的 MOT17 和 MOT20 测试集上均排名第一。

    Jun, 2022

  • 质量至上：接纳质量线索以实现强大的 3D 多目标跟踪

    本文基于大量实证分析，提出了一种基于物体属性质量评估的分层联结策略，可有效提高三维多目标跟踪的性能表现。实验结果表明，该策略使得跟踪性能提高了 2.2% AMOTA，并在 nuScenes 数据集上表现出领先于现有最新技术的优异结果。

    Aug, 2022

  • 基于观测的 SORT 算法：为了实现鲁棒的多目标跟踪而进行的思考

    本文研究如何改进 Kalman filter 在多目标追踪中的表现，在处理时间比较大的遮挡情况下使用 Observation-Centric SORT 方法才能维护准确度。

    Mar, 2022

  • SoDA: 基于软数据关联的多目标跟踪

    提出一种应用注意力度量编码来解决自动驾驶场景下多目标跟踪问题的方法，此方法通过软性数据关联来聚合所有物体检测的信息，从而使得模型能够在数据驱动的方式下推理出目标物体的遮挡情况并进行跟踪，实验结果表明该方法在规模较大的数据集上优于现有的视觉多目标跟踪技术。

    Aug, 2020

  • RobMOT：基于激光雷达点云的观测噪声和状态估计漂移缓解的稳健三维多目标跟踪

    通过对 Kalman 滤波进行改进以减小轨迹漂移噪声，并引入一种新的在线轨迹有效性机制来减少幽灵轨迹，从而在 3D 多物体跟踪中提出了 RobMOT 框架，该框架在各种检测器上表现出优于截至目前最先进方法的卓越性能，包括深度学习方法，在 MOTA 上的边缘为 3.28％，在 HOTA 上的边缘为 2.36％，并且在处理延迟上提高了 59％。

    May, 2024

  • 基于多种线索和切换感知分类的多目标跟踪

    该研究提出了一个统一的多目标跟踪框架，该框架通过利用长期和短期线索处理 MOT 场景中的复杂情况，并考虑潜在的身份交换原因（开关器）的影响，并结合了多个线索来提高鲁棒性，最终在挑战性的 MOT 基准测试中实现了最先进的结果。

    Jan, 2019

  • DepthMOT：深度线索引导强大的多目标追踪器

    通过实现深度感知和相机姿态估计，本文提出了 DepthMOT 算法，可以准确区分多个对象，并解决了拥挤场景中物体混淆和相机运动不规则导致的 ID 切换问题。在 VisDrone-MOT 和 UAVDT 数据集上的广泛实验表明 DepthMOT 具有卓越性能。

    Apr, 2024

  • 基于实例感知跟踪器和动态模型更新的在线多目标跟踪

    提出一种实例感知跟踪器，结合单个物体跟踪和卷积神经网络技术，用于多物体跟踪，提高跟踪准确性。在 MOT15 和 MOT16 基准测试上表现最佳。

    Feb, 2019