密集匹配器用于密集追踪
本文提出了一种新方法, Multi-Flow dense Tracker (MFT) ,用于稠密、像素级、长期跟踪,通过对连续帧之间和对数间隔的帧之间的光学流进行估计,基于预先训练的 CNN 提供几何精度和遮挡概率,有效地选择了最可靠的一系列光流,并在 TAP-Vid-DAVIS 基准测试中实现了最先进的结果,其平均位置精度为 70.8%,平均 Jaccard 为 56.1%,平均遮挡精度为 86.9%,且对于中等长度的遮挡不敏感,通过对参考帧估计流来减少漂移。
May, 2023
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
提出了一种基于密集间接结构运动方法的鲁棒性摄像机姿态估计方法,利用密集对应初始化并优化长程视频对应关系作为密集点轨迹并用于学习运动分割的鲁棒估计;实验表明我们的系统相对于现有最先进方法在 MPI Sintel 数据集上产生了更准确的摄像机轨迹,并在全静态场景上保持合理的摄像机姿态准确度,这也印证了基于光流和点轨迹的密集间接方法的潜力。
Jul, 2022
本文提出了一种针对事件相机的全新稠密光流计算方法,通过引入特征相关性与顺序处理的设计思路,相比于现有方案在数据集 MVSEC 上将终点误差降低了 23%,并提出一种新的数据集,更能反映现实场景中物体的运动情况,最终结果的终点误差比之前的方案减少了 66%。
Aug, 2021
本研究提出了一种基于深度学习和几何图像匹配的光学流估计方法 MatchFlow,通过先使用几何图像匹配(GIM)作为预训练任务,再进行光流估计,从而提高了图像特征的匹配性能,实验结果表明该模型性能优异,相较于已发表的方法,拥有最优的表现。
Mar, 2023
本文设计了一种名为 FFT 的端到端 DNN 跟踪方法,采用流动目标和融合目标两种有效技术,其中 FlowTracker 探索复杂的目标运动模式,而 FuseTracker 从 FlowTracker 和检测器中细化和融合目标,在多个 MOT 基准测试中均取得了最先进的结果。
Jan, 2020
本文提出了一种新的方法,从自动驾驶车辆的稀疏激光雷达数据中估计密集的光流,用作图像不可靠的情况下,如恶劣天气或夜间,替代任何基于图像的光流系统的替代方案。该方法使用多尺度滤波器的三级结构来推断离散范围数据的高分辨率 2D 流,并在 lidar 和图像域中结合多个中间目标。通过使用 FlowNet2 计算的假伪基于图像的光流,我们介绍了一个包含约 20K lidar 样本的 Kitti 数据集,并使用该数据集训练网络。我们在 Kitti 数据集上演示了我们方法的有效性,并表明尽管使用低分辨率和稀疏的 lidar 测量,我们可以回归与基于图像的方法相当的密集光流图。
Aug, 2018
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
本文提出了一种新的基于人群密度图的多目标追踪(MOT)算法 —— 计数式追踪。通过联合建模检测、计数和跟踪多个目标为网络流算法,该算法同时找到全局最优的多个目标检测和轨迹。该方法在人员、细胞和鱼群跟踪等各领域的公共基准测试中表现出了良好的结果。
Jul, 2020
我们提出了一种新的测试时间优化方法,用于从视频序列中估计密集和长程运动。该方法使用全局一致的运动表示法,并在局部和规范空间之间使用双向对应实现像素级跟踪,能够确保全局一致性,跟踪通过遮挡的像素,并模拟相机和物体运动的任意组合。
Jun, 2023