Dec, 2023

多目标跟踪中 ByteTrack 的自适应置信阈值

PDF
TL;DR应用字节跟踪 (ByteTrack) 于多目标跟踪，介绍一种新的自适应途径，通过动态调整置信度阈值实现更好的效果，同时保持与 ByteTrack 相同的运行时间。
bytetrackmultiple object trackingconfidence thresholdadaptive approachrunning time
发现论文，激发创造
  • 具有形状和置信度约束的多目标跟踪器 SCTracker

    本文提出了一种基于形状约束和置信度的多目标跟踪器，使用交并比距离结合形状约束计算轨迹与检测之间的代价矩阵，在数据关联阶段能够有效避免跟踪到错误的目标并使用基于置信度的卡尔曼滤波算法更新运动状态以提高跟踪效果。实验结果表明，该方法能够有效地提高多目标跟踪的性能。

    May, 2023

  • 基于检测定位置信度的深度关联多目标跟踪框架：定位导向的跟踪

    基于检测的跟踪方法中，我们提出了一种考虑检测框定位置信度的本文的 LG-Track 方法，通过综合考虑检测框的外观相似性和定位准确性，设计了一种有效的深度关联机制，在 MOT17 和 MOT20 数据集上的实验结果表明，我们的方法优于现有的跟踪方法。

    Sep, 2023

  • 简单在线实时跟踪

    本文探索一种实用的多目标跟踪方法，强调高效地为实时应用程序分配对象。在追踪组件中，使用了卡尔曼滤波器和匈牙利算法等熟悉技术的简单组合，同时也发现检测质量是影响跟踪性能的关键因素之一。通过更改检测器，跟踪精度可以提高高达 18.9％。此外，由于跟踪方法的简单性，该跟踪器的更新速率为 260 Hz，比其他最先进的跟踪器快 20 倍以上。

    Feb, 2016

  • 自主驾驶的概率三维多模态、多目标跟踪

    通过融合 2D 图像与 3D LiDAR 点云的特征，学习度量，以及在无匹配目标检测时初始化跟踪，提出了一种概率、多模态、多对象跟踪系统，实现了比现有技术更鲁棒、数据驱动的多对象跟踪。

    Dec, 2020

  • UncertaintyTrack: 在多目标追踪中利用检测和定位的不确定性

    基于概率目标检测的定位不确定性估计的 2D MOT 方法在自动驾驶中能有效减少误检以及提升 MOTA。

    Feb, 2024

  • 在边缘框提议上追踪随机移动对象

    该论文提出了一种基于实例特异的物体质量度量生成优质提案的目标跟踪方法，并通过更新物体模型及学习提议的重排序来减少困难背景干扰物，以提高跟踪系统的鲁棒性，该方法在常见的跟踪基准测试中，性能优异，在快速运动物体以及超低帧率视频中表现出强大的鲁棒性。

    Jul, 2015

  • 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

  • 基于轨迹的物体检测和追踪集成

    本文提出一种新方法，通过在先前帧中计算的轨迹片段上使用对象检测来增加检测与追踪之间的协作，以获得更平稳和稳定的对象轨迹，从而在检测和跟踪精度上实现最先进的表现。

    Nov, 2018

  • 跟踪，然后决策：基于视觉的多目标跟踪与类别无关

    本文提出了一种基于分割掩码的跟踪器，使用无分类模型的多目标跟踪方法来跟踪物体，该方法能够利用语义信息以及跟踪未知对象，并能够发现和跟踪大量其他对象，并取得了与最先进的基于检测的跟踪方法相当的性能。

    Dec, 2017

  • 一种基于树结构的技术，用于物体跟踪系统中高效实时的标签检索

    通过 Adaptive BCCF-tree 索引机制和 IoVT 架构，提出了一种在大规模视频监控系统中实现多物体自动标记的新解决方案，该方案可以优化实时跟踪性能。

    May, 2022