运动匹配:三维单目标跟踪的混合范式
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
提出了一种基于运动感知的单目三维多目标跟踪(MoMA-M3T)框架,通过在时间帧内捕捉物体的运动线索,将历史物体轨迹与当前观察结果进行匹配,实现与最先进方法相媲美的性能。
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
通过引入 BEE23 数据集和 Two rOund Parallel matchIng meChanism (TOPIC) 方法,本研究提出了一个并行算法范例,在多目标跟踪领域实现了先进的性能表现,同时显著降低了错误阴性的数量。
Aug, 2023
本文提出了一种名为 MotionTrack 的简单而有效的多目标跟踪器,它在统一框架中学习健壮的短期和长期运动,以将轨迹从短范围关联到长范围。通过在检测范例跟踪中嵌入 Interaction Module 和 Refind Module,在挑战性场景中,该方法在各种 MOT 指标上均实现了最先进的性能。
Mar, 2023
本文提出了一种新颖的多模态多目标跟踪算法,用于自动驾驶汽车,该算法结合了相机和 LiDAR 数据。通过使用先进的 3D 物体检测器处理相机帧,以及使用经典的聚类技术处理 LiDAR 观察数据。该算法由三个步骤的联合过程、用于估计每个检测到的动态障碍物运动的扩展卡尔曼滤波器,以及轨迹管理阶段组成。与大多数先进的多模态目标跟踪方法不同,该算法不依赖地图或车辆全局姿态的知识。此外,它专门针对相机使用 3D 检测器,并且对使用的 LiDAR 传感器类型不敏感。该算法在仿真环境和实际数据中进行验证,并且结果令人满意。
Mar, 2024
本文提出了一种基于 LiDAR 的三维多目标跟踪框架 FlowMOT,该框架结合了点运动信息和传统的匹配算法,通过使用匈牙利算法生成最优匹配关系来完成跟踪任务。实验结果表明,该方法胜过最近的端到端方法,并且在各种速度场景下可以稳定地工作。
Dec, 2020
提出了一种基于 Transformer 的多模态传感器输入的端到端多目标跟踪算法(MotionTrack),它由基于 Transformer 的数据关联(DA)模块和基于 Transformer 的查询增强模块组成,同时实现了多目标检测(MOD)。MotionTrack 及其变体在 nuScenes 数据集上获得更好的结果(AMOTA 得分为 0.55),与 AB3DMOT、CenterTrack 和概率 3D 卡尔曼滤波器等经典基线模型相比有着更好的表现。
Jun, 2023