双阶段最小费用流多目标追踪方法
本研究提出了一种动态算法,通过复用计算来优化数据关联问题,同时解决在线情况下的数据关联问题,实现具有有界内存和计算能力的近似在线解决方案,该方法能够在实时进行跟踪,并展示了在KITTI和PETS2009数据集上的表现
Jul, 2014
本篇论文提出了一种创新而有效的追踪方法TrackletNet Tracker(TNT),它将时间和外观信息结合在一起作为一个统一的框架来处理多目标追踪(MOT)的挑战,并相比其他最先进方法,在MOT16和MOT17基准数据集上取得了令人满意的结果。
Nov, 2018
本文提出了一种基于消息传递网络的全可微分多目标追踪框架, 可以直接在图形领域进行操作,实现对于整个检测集的全局推理和最终解决方案的预测,证明了在多目标追踪领域,学习不仅需要局部特征提取, 还可以应用于数据关联步骤,并在三个公开基准测试中取得了显著的MOTA和IDF1改进。
Dec, 2019
该研究提出了一种基于自回归运动模型的多目标跟踪算法,能够处理长期的遮挡问题,通过训练模型去学习自然轨迹的分布,与传统方法相比,在多个 MOT 基准数据集上表现更好。
Dec, 2020
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
该研究致力于使用动态无向图和图形神经网络来解决多目标跟踪问题,同时提供了有效的解决方案和建议,证明了使用任何现成的检测器提供的原始边界框就足以在具有挑战性的多目标跟踪数据集上实现有竞争力的跟踪结果。
Jan, 2021
本文提出一种新的学习可伸缩图匹配方法,用于解决目前多目标跟踪(MOT)任务中的数据关联问题,该方法可以使跟踪器在面对严重遮挡等困难情况时表现更加优异,同时在多项标准MOT数据集上取得了最先进的性能。
Mar, 2021
该研究改进了基于时间一致性的得分函数和轨迹终止方法,以提高多目标跟踪的结果,特别是晚期聚合方法,以及在不同数据集上比较了不同检测器和过滤算法的AMOTA和MOTA分数表现,其优化方法与其他最新的跟踪器相当。
Jul, 2021
本研究解决了现有多目标跟踪(MOT)方法在复杂场景下的关联能力不足的问题。论文提出了一种鲁棒的两阶段关联跟踪器RTAT,通过第一阶段生成高纯度的轨迹段,第二阶段则利用消息传递图神经网络将短轨迹段合并为完整轨迹,从而显著提升了跟踪性能。在MOT17和MOT20基准测试中,RTAT在多个主要指标上排名第一,展现了其优秀的跟踪能力和实际应用潜力。
Aug, 2024