Sep, 2023

UnsMOT: 无监督多目标跟踪的统一框架与几何拓扑指导

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 不确定性感知的无监督多目标追踪

    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。

    Jul, 2023

  • 非受限环境下的多人跟踪和再识别的 Transformer 网络

    提出了一个综合的多目标跟踪方法 STMMOT，该方法结合了目标检测和身份链接，能够在长时间内维持目标身份链接，并利用具有注意力机制的鲁棒时空记忆模块和动态查询嵌入来预测目标状态，消除了后处理的需求。

    Dec, 2023

  • 3DMOTFormer：在线三维多目标跟踪的图形转换器

    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。

    Aug, 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

  • 学习非均匀超图进行多目标跟踪

    本文提出了基于非均匀超图的近实时多目标跟踪算法，使用结构支持向量机自动学习不同程度的依赖关系的超边权重来建模各种依赖关系，实验结果表明我们的方法在各种具有挑战性的数据集上均优于现有的多目标跟踪方法。

    Dec, 2018

  • 用图神经网络实现联合目标检测和多目标跟踪

    本研究提出一种基于图神经网络的联合多目标跟踪方法，通过优化检测和数据关联模块，兼顾准确性和运行效率，成功在多个 MOT 数据集上实现了最先进的性能表现。

    Jun, 2020

  • 面向在线多目标跟踪的统一目标运动和相似性模型

    本论文提出了一种新的 MOT 框架，即 UMA，该框架将对象运动和亲和模型统一到一个网络中，通过多任务学习，将单目标跟踪和度量学习集成在一个统一的三元组网络中。实验结果表明，UMA 在几个 MOT 挑战基准上取得了有希望的性能。

    Mar, 2020

  • 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

  • ReIDTrack：无运动的多对象追踪与分割

    基于 CBNetV2 和 Swin-B 的检测模型以及 MoCo-v2 的自监督外观模型，我们探索了一种新的 SOTA 方向，通过去除运动信息和 IoU 映射，取得了在 CVPR2023 WAD 研讨会的 MOTS 轨迹上的第一名以及 MOT 轨迹上的第二名的简单有效方法。

    Aug, 2023