Nov, 2023

海的相见：基于元数据引导的无人机多目标长期重识别

PDF
TL;DR通过利用无人机的关键元数据，包括 GPS 位置、无人机高度和相机方向，我们提出了一种适应性的基于运动的多目标跟踪算法 MG-MOT，实现将短期跟踪数据合并为连贯的长期跟踪，显著提高了在无人机海洋计算机视觉中的性能。
re-identificationmulti-object trackinguavsmaritime computer visionmetadata guided mot
发现论文，激发创造
  • ReIDTracker Sea：WACV24 MaCVi 的 BoaTrack 和 SeaDronesSee-MOT 挑战的技术报告

    我们的研究探索了在海洋中使用无人机和无人水面船只的多目标跟踪技术，通过自监督学习实现实例表示学习，并与高质量探测器合作，简单高效地完成多目标跟踪任务。

    Nov, 2023

  • SeaDronesSee：开放水域人类检测的海上基准

    本文介绍了一个旨在填补从陆基视觉系统到海基系统的差距的大规模视觉目标检测和跟踪基准（SeaDronesSee），我们从各种高度和视角，提供海拔，视角和其他元数据等相关信息，收集和注释了超过 54,000 帧，包括 400,000 个实例，并在此基础上评估了多个最先进的计算机视觉算法。

    May, 2021

  • MotionTrack: 学习多目标跟踪的强健短期和长期运动

    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

  • 面向 3D MOT 的点云物体重新识别

    本文探讨了在 3D 多物体跟踪场景下，通过学习匹配预测的 3D 边界框裁剪后的（例如，使用点云）点云观测到的对象对应，相比使用图像，通过点云进行对象重新识别的性能表现如何，并提出了可供比较的对象重新识别网络方法，发现使用高感度传感器的效果优于使用稀疏传感器，能够成功地发现导致强运动跟踪器误差的物体

    May, 2023

  • RelationTrack: 带有解耦表示的关系感知多目标跟踪

    该研究提出了一种名为 RelationTrack 的 MOT 框架，它使用全局上下文分离模块和引导变压器编码器来解决检测和重新识别的矛盾，并通过在性能上显著优于现有的算法来建立了新的最先进性能水平。

    May, 2021

  • 关于多目标跟踪中检测和重新识别的公平性问题的研究

    本研究提出了一种基于中心点检测架构的叫做 FairMOT 的简单而有效的方法来解决目标检测和 Re-ID 之间的竞争问题，该方法在多目标跟踪方面表现出色，在多个公共数据集上均优于现有技术。

    Apr, 2020

  • 简单非监督多目标追踪

    通过引入基于排序的追踪标签生成和交叉熵损失的无监督重新识别网络解决注释成本高的问题，可在无需追踪监督的情况下提高多目标跟踪的性能，为跟踪领域开拓更加简单和有效的解决方案提供新思路。

    Jun, 2020

  • 3D 多视角多目标跟踪的轨迹初始化与再识别

    使用 2D 检测从单目相机提出了一种三维多目标跟踪（MOT）解决方案，该解决方案在自动启动 / 终止跟踪，解决外观再出现和遮挡方面具有重要作用。

    May, 2024

  • 基于视频的行人再识别与长短期表示学习

    提出了一种名为长短期表示学习（LSTRL）的新型深度学习框架，通过多粒度外观提取器（MAE）和双向运动估计器（BME）有效地提取长期和短期信息，显著改善了视频行人重新识别（V-ReID）的特征表示能力。实验证明，该方法在三个广泛使用的基准测试上表现出更好的性能。

    Aug, 2023

  • GIAOTracker：基于全局信息与优化策略的 VisDrone 2021 MCMOT 综合框架

    本研究提出了一个新的多目标追踪器 GIAOTracker，它通过三阶段的在线追踪、全局关联和后处理框架来解决无人机视频中小目标、相机运动和视角变化等挑战，达到了领先水平，并在 VisDrone2021 MOT 挑战中获得第三名。

    Feb, 2022