Jan, 2024

ODTrack: 在线稠密时序令牌学习用于视觉跟踪

PDF
TL;DR在线图像跟踪中，稀疏的时间关系会限制引用帧和搜索帧之间的联合处理，为了解决这一问题，本文提出了一种名为 ODTrack 的简洁、灵活、有效的视频级跟踪方法，通过在线令牌传播方式密集地关联视频帧的背景关系，从而在多个基准测试中取得了先进的性能，并且保持实时速度运行。
发现论文，激发创造
  • 基于时间上下文的真实世界视觉跟踪

    提出了一种利用时间上下文的双层框架 (TCTrack)，用于实现更强大的现实世界视觉跟踪，并在特征提取和相似度图优化方面进行了改进。

    Aug, 2023

  • 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

  • 稠密光学跟踪：连接数据点

    本文介绍了 DOT，一种新颖、简单且高效的方法，用于解决点追踪中存在的遮挡问题，并且通过最近邻插值计算粗糙的初始估计密集流场和可见性掩码，然后利用可学习的光流估计器对其进行精细化处理。实验证明 DOT 相较于当前的光流技术更加准确，在速度方面至少快两个数量级。

    Dec, 2023

  • 通过空间和时间变换器进行端到端多目标跟踪，超越两帧限制

    使用 Transformer 和时空嵌入的 MO3TR 方法，具有空间和时间注意机制，无需显式的数据聚类模块或任何启发式方法，成功解决了多物体追踪过程中的诸多挑战，表现方面同多个 popular MOT 图像和视频基准测试的现有最先进技术几乎相当或更好。

    Mar, 2021

  • 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

  • ACTrack: 为视觉目标跟踪添加时空条件

    我们提出了 ACTrack，一个新的跟踪框架，通过冻结参数来保留预训练的 Transformer 骨干的质量和能力，并使用可训练的轻量级加法网络来建模跟踪中的时空关系，实验结果证明 ACTrack 能够在训练效率和跟踪性能之间取得平衡。

    Feb, 2024

  • TCTrack: 航空跟踪的时间上下文

    本文提出了一种全面利用时间上下文进行航空追踪的框架，名为 TCTrack，该框架在特征提取和相似度图优化方面使用了时间上下文。实验表明，TCTrack 在四个航空追踪基准测试数据集上的效果令人印象深刻，并且在 NVIDIA Jetson AGX Xavier 上实现了高达 27 FPS 的高速。

    Mar, 2022

  • 迈向视觉语言跟踪的统一标记学习

    该研究提出了一种简单、灵活且有效的视觉 - 语言（VL）跟踪管道，称为 MMTrack，它将 VL 跟踪视为一个标记生成任务，并通过将语言描述和边界框序列化为一系列离散标记来实现。通过避免多个子任务的学习和手动设计的损失函数，该设计范式极大地降低了 VL 跟踪建模的复杂性，并允许跟踪器使用简单的交叉熵损失作为统一的优化目标。在 TNL2K、LaSOT、LaSOT_ext 和 OTB99-Lang 基准测试上的广泛实验表明，与其他最先进的方法相比，我们的方法取得了令人满意的结果。

    Aug, 2023

  • 以点追踪物体

    本文提出了一种简单、快速而准确的目标检测和跟踪算法 CenterTrack，它可以同时进行检测和跟踪，且在线实时运行，是当前最先进的算法之一。

    Apr, 2020

  • 联合特征学习和关系建模用于跟踪：单流框架

    提出一种新型的单流跟踪框架 (OSTrack)，通过双向信息流桥接模板搜索图像对来统一特征学习和关系建模，从而实现动态提取具有区分度的目标定向特征，同时提出了一种在网络中的候选早期消除模块来进一步提高推理效率。该方法在多个基准测试中都取得了最先进的性能，并在一次性跟踪基准 GOT-10k 上实现了令人印象深刻的结果。

    Mar, 2022