Nov, 2023

基于遮挡感知嵌入一致性学习的多目标追踪

PDF
TL;DR基于视觉嵌入的一种新的多目标跟踪方法，通过预测遮挡信息和利用遮挡线索和视觉嵌入生成两个独立的嵌入来解决在线跟踪场景中由于遮挡引起的跟踪中断问题，实验结果表明在有遮挡和无遮挡的跟踪场景中具有良好的性能水平。
joint detection and embedding (jde)multiple object trackingocclusionvisual embedding consistencyonline tracking scenarios
发现论文，激发创造
  • 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

  • 多目标跟踪的遮挡感知检测和重新识别校准网络

    针对多目标跟踪中的遮挡问题，本文提出了一种考虑遮挡的检测和 Re-ID 校准网络，名为 ORCTrack。通过引入 Occlusion-Aware Attention 模块和优化传输问题的 Re-ID 匹配块，该方法在 VisDrone2021-MOT 和 KITTI 数据集上实验表明了其卓越性能和高运行效率。

    Aug, 2023

  • 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

  • 学习目标不变的物体跟踪

    该论文提出了一种端到端可训练的方法，结合物体检测和跟踪，并引入了序列记忆模块，使其更好地处理多物体跟踪，尤其是遮挡的情况。经过大规模的合成数据和实际测试，在 KITTI 和 MOT17 数据集上取得了最先进的性能表现。

    Mar, 2021

  • 具有联合元更新的上下文感知视觉跟踪

    在本文中，我们提出了一种基于上下文感知的跟踪模型，该模型是通过利用整个序列中的信息联合元更新两个分支来优化表示空间上的跟踪器，实现对外观变化的自适应。我们采用上下文聚合模块融合历史帧中的信息，然后使用上下文感知模块为跟踪器的两个分支学习亲和向量。通过使用专用的元学习方案，在有限的训练样本下，该跟踪方法在 VOT2018 上实现了 0.514 的 EAO 评分，40FPS 的速度，表明了它提高了潜在跟踪器的准确性和鲁棒性，并且在速度上有小幅下降。

    Apr, 2022

  • 基于交叉任务协同的在线多目标跟踪

    本研究提出了一种新的联合模型，将位置预测和嵌入关联相结合，以尽量从目标信息中提取更可靠的嵌入，从而提高数据关联的准确性和鲁棒性。实验结果表明，该方法在 MOT 挑战基准测试中的性能优于现有方法。

    Apr, 2021

  • OccluTrack: 重新思考遮挡意识以增强多人行人跟踪

    在多个行人追踪中，我们提出了一个适应性的遮挡感知多行人追踪器，OccluTrack，通过显式的运动估计、可靠的外观特征提取和公平的关联，解决了部分遮挡引起的异常检测问题。我们的 OccluTrack 在 MOT-Challenge 数据集中表现出卓越的性能，尤其在追踪和关联性能上取得了显著的改进。

    Sep, 2023

  • 从少样本到多样本：使用混合监督学习注释目标检测

    该论文提出了一种使用在线标注模块（OAM）从弱标注图像生成一组可靠的注释，可与任何完全监督的两阶段对象检测方法联合训练，从而实现了仅需要一组低标注图像的完全端到端策略。将 OAM 与 Fast (er) R-CNN 相结合，可在 PASCAL VOC 2007 和 MS-COCO 基准测试上将其性能提高了 17％ mAP，9％ AP50，并且明显优于使用混合监督的竞争方法。

    Aug, 2020

  • 实时多目标跟踪

    本文提出了一个允许在共享模型中学习目标检测和外观嵌入的 MOT 系统，并进一步提出了一个简单快速的联合方法。这两个组件的计算成本与以前的 MOT 系统相比显着降低，为未来实时 MOT 算法设计提供了一个简洁快速的基准线。与分离检测和嵌入（SDE）学习相比，其跟踪准确性相当。

    Sep, 2019

  • ADA-Track: 多相机三维多目标跟踪的端到端交替检测和关联

    一个名为 ADA-Track 的新颖框架对多视角相机的 3D 多目标跟踪进行端到端的研究，利用可学习的数据关联模块和基于边缘增强的交叉注意力，同时结合检测和数据关联任务，以实现更好的效果。

    May, 2024