提出了一种混合模型,命名为 MTM-Tracker,将运动建模与特征匹配相结合,用于 3D 单物体追踪任务,并在大规模数据集上取得了竞争性能。
Aug, 2023
本研究提出了一种增强型的运动感知多目标跟踪系统,集成了不同对象的多种运动模式,并引入动态重连上下文模块、三维积分图像模块等手段,取得了比其他先进跟踪器更为优越的高效性能。
Sep, 2020
本文总结了目前三维多目标跟踪方法并提出了 SimpleTrack 算法,指出了现有方法的缺陷并为其提出改进方案;在 Waymo Open Dataset 和 nuScenes 数据集上得到了新的最佳结果。本文还分析了现有数据集对算法真实能力的反映以及剩余失败情况的分布和原因,并提出了未来三维多目标跟踪的研究方向。
Nov, 2021
该论文提出了一个简单实时的 3D 多目标跟踪系统,使用 3D Kalman 滤波器和匈牙利算法进行状态估计和数据关联,并提出了新的 3D MOT 评估工具和新的评估指标,可在 KITTI 和 nuScenes 数据集上获得最先进的性能和最快的速度。
Jul, 2019
使用 2D 检测从单目相机提出了一种三维多目标跟踪(MOT)解决方案,该解决方案在自动启动 / 终止跟踪,解决外观再出现和遮挡方面具有重要作用。
May, 2024
基于 Transformer 架构构建的学习几何 3D MOT 框架 3DMOTFormer,在进行跟踪检测双向图的基础上,通过边分类进行数据关联,并提出了一种新颖的在线训练策略,通过自回归和递归前向传播以及序列化批量优化来减少训练和推断之间的分布不匹配。
本篇研究论文提出了一种基于学习的三维多目标跟踪方法,在公共数据集 nuScenes 上取得了近年来最好的性能表现,采用的关键技术包括神经消息传递网络、数据关联和轨迹稳定性的处理。
Apr, 2021
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
本文提出一种基于 “Mask R-CNN” 的新型跟踪框架,称为 “instance-aware MOT”,能够联合考虑实例级特征和对象运动来在静态或移动摄像机中跟踪多个对象
Jun, 2020
该研究提出了一个通用的、传感器无关的多模态多目标跟踪框架,通过在数据关联过程中编码点云的深度表示,使每种模态能够独立执行其职能以保证其可靠性,并通过新型的多模态融合模块进一步提高其精度。该框架在 KITTI 基准上的表现达到了最新水平。
Sep, 2019