Sep, 2023

RTrack: 通过伪框探索加速视觉目标跟踪的收敛

PDF
TL;DR本文介绍了一种名为 RTrack 的新型目标表示基准追踪器，该追踪器利用一组样本点来获取伪边界框，并自动排列这些点以定义空间范围和突出显示局部区域。我们还对训练潜力进行了深入研究，并引入了一对多的前导分配策略，该方法在 GOT-10k 数据集上实现了与最先进的追踪器竞争性性能，并将训练时间减少到了先前性能最佳追踪器的 10%。大量实验证明，我们提出的 RTrack 在更快的收敛速度下取得了最先进的结果。
发现论文，激发创造
  • RPT: 孪生视觉跟踪的点集表示学习

    提出了一种基于代表点表示的有效视觉跟踪框架，结合多层级聚合策略获取细致的结构信息，实现了对目标状态的精确估计，并在多个基准测试上取得了新的最佳性能。

    Aug, 2020

  • M3SOT：多帧、多场、多空间的 3D 单目标跟踪

    3D 单目标跟踪是计算机视觉的前沿任务之一，本研究提出了一种基于点云的全新 3D 单目标跟踪框架 M3SOT，通过多个输入帧、多个感受野和多个解决空间的协同作用，从点云中直接建模时间性、上下文信息和任务，以实现高效的目标跟踪应用。M3SOT 的实验表明，在 KITTI、nuScenes 和 Waymo Open Dataset 等基准上，其性能达到了最先进的水平，帧率达到了 38 帧每秒。

    Dec, 2023

  • 从单点注释中学习追踪表示

    通过单点注释学习跟踪表示，提出了一种软对比学习框架（SoCL），该框架将目标拥有性先验融合到端到端的对比学习中，并将所学表示应用于视觉跟踪，展示出优越的性能和鲁棒性。

    Apr, 2024

  • NeighborTrack: 通过邻居轨迹的二分匹配来提高单目标跟踪

    本文提出了通过利用相邻目标信息来验证和改进单对象跟踪结果的后处理器 NeighborTrack。NeighborTrack 利用相邻的非被遮挡对象信息来重确认跟踪目标，并减少由目标遮挡或外观变化导致的跟踪问题。该方法可与不同的跟踪网络和后处理方法配合使用。

    Nov, 2022

  • 一种新的边界框回归方法用于单目标跟踪

    本研究通过引入两种新的边界框回归网络（inception 和 deformable）来在目标检测中提高定位准确性，并在多个基准测试中取得了优于现有方法的表现。

    May, 2024

  • RSPT: 通用主动物体跟踪的环境重构和轨迹预测

    该研究提出了一个名为 RSPT 的框架，通过重建环境和预测目标轨迹来形成结构感知的动态表征，并通过非对称充决策机制提高策略网络的泛化性能，成功地在各种仿真场景和现实世界应用中实现了对无序环境下具有多样布局及复杂障碍物的跟踪效果的优化。

    Apr, 2023

  • 基于 BASE 的多目标追踪的可能更好方法

    视觉目标跟踪领域主要通过结合简单的跟踪算法和临时方案来实现，而概率跟踪算法在视觉跟踪中却罕见。本文提出了一种基于概率的跟踪器，通过考虑目标运动的距离、利用检测器的置信度和建模非均匀杂乱特征，解决了概率跟踪器在视觉跟踪中的关键问题，取得了与最先进方法相当的性能。

    Sep, 2023

  • 基于盒式感知的点云单目标跟踪特征增强

    本文提出了一种基于 BoxCloud 和特征融合的 3D 物体跟踪算法，相比于之前的算法，在 KITTI 和 NuScenes 数据集上有了很大的提升。

    Aug, 2021

  • PillarTrack: 基于柱的 Transformer 网络在点云上的单目标追踪重设计

    我们提出了一种基于 pillar 的 3D 单物体跟踪框架 PillarTrack，通过将稀疏的点云转化为稠密的 pillar 来保留本地和全局几何特征，并引入了一种金字塔型编码 pillar 特征编码器（PE-PFE）设计以提高每个 pillar 的特征表示，并从模态差异的角度介绍了一种高效的基于 Transformer 的骨干网络。通过在 KITTI 和 nuScenes 数据集上进行广泛实验，我们的方法表现卓越，并实现了实时跟踪速度。我们希望我们的工作能够鼓励社区重新思考现有的 3D 单物体跟踪器设计。

    Apr, 2024

  • 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