仅使用坐标进行多目标跟踪的学习数据关联

Mar, 2024

仅使用坐标进行多目标跟踪的学习数据关联

Learning Data Association for Multi-Object Tracking using Only Coordinates

Mehdi Miah, Guillaume-Alexandre Bilodeau, Nicolas Saunier

TL;DR我们提出了一种新颖的基于 Transformer 的模块，用于解决多目标跟踪中的数据关联问题。该模块使用来自边界框的坐标来估计来自两个不同时间窗口的轨迹对之间的亲和度分数。通过将 TWiX 插入到在线级联匹配流水线中，我们的跟踪器 C-TWiX 在 DanceTrack 和 KITTIMOT 数据集上实现了最先进的性能，并在 MOT17 数据集上取得了竞争性的结果。

Abstract

We propose a novel transformer-based module to address the data association problem for multi-object tracking. From detections obtained by a pretrained detector, this module uses only coordinates from bounding bo

transformer-based module data association problem multi-object tracking affinity score online cascade matching

发现论文，激发创造

基于图神经网络的端到端数据关联框架用于在线多目标跟踪

本文提出了一个以神经网络为基础的端到端框架，用于解决在线多目标跟踪中的数据关联问题。算法将帧间数据关联建模成最大带权二分匹配问题，并利用预先学习好的神经网络进行求解，该网络结合了外观和运动特征来计算有关联所需的邻接矩阵。实验表明，该框架能够提供更快的计算速度和更好的跟踪精度。

Jul, 2019

基于交叉任务协同的在线多目标跟踪

本研究提出了一种新的联合模型，将位置预测和嵌入关联相结合，以尽量从目标信息中提取更可靠的嵌入，从而提高数据关联的准确性和鲁棒性。实验结果表明，该方法在 MOT 挑战基准测试中的性能优于现有方法。

Apr, 2021

基于端到端学习的轨迹关联跟踪器：多目标跟踪的关联方法

本文提出了一种名为 Tracklet Association Tracker（TAT）的新型多目标跟踪框架，旨在将特征学习和数据关联高效地融合在一起，通过双层优化公式实现，以使关联结果可以直接从特征中学习。同时，为了提高性能，本文采用了流派融合、对齐和选择等方法，在 MOT2016 和 MOT2017 基准测试中均取得了最先进的性能等级。

Aug, 2018

ReIDTrack：无运动的多对象追踪与分割

基于 CBNetV2 和 Swin-B 的检测模型以及 MoCo-v2 的自监督外观模型，我们探索了一种新的 SOTA 方向，通过去除运动信息和 IoU 映射，取得了在 CVPR2023 WAD 研讨会的 MOTS 轨迹上的第一名以及 MOT 轨迹上的第二名的简单有效方法。

Aug, 2023

TransTrack：基于 Transformer 的多目标跟踪

本文提出了 TransTrack，该方法利用 Transformer 架构解决多目标跟踪问题，采用对象特征作为当前帧的查询并引入一组学习对象查询以检测新对象，通过实现单次检测和跟踪建立了新的联合检测和跟踪范例，在 MOT17 和 MOT20 基准测试中达到了 74.5％和 64.5％的 MOTA，是一种优秀的多目标跟踪方法。

Dec, 2020

非受限环境下的多人跟踪和再识别的 Transformer 网络

提出了一个综合的多目标跟踪方法 STMMOT，该方法结合了目标检测和身份链接，能够在长时间内维持目标身份链接，并利用具有注意力机制的鲁棒时空记忆模块和动态查询嵌入来预测目标状态，消除了后处理的需求。

Dec, 2023

多目标追踪作为 ID 预测

在多目标跟踪中，我们将目标关联任务视为一种端到端的上下文 ID 预测问题，并提出了一种简化版的 MOTIP 方法，通过直接预测当前帧中物体的 ID 标签来学习跟踪能力，从而避免了繁琐的手工算法。我们的方法在复杂场景中表现出色，并与其他基于 Transformer 的方法在 MOT17 上竞争力十足，展示出了显著的潜力，可作为未来研究的起点。

Mar, 2024

仅需两个探测器即可实现多模态三维多目标跟踪

本文提出了一种基于多模态融合的新型多目标跟踪框架，通过将目标检测和多目标跟踪集成到同一模型中，取消了传统 TBD 范例中复杂的数据关联过程，并且不需要额外的训练。其次，探讨了历史轨迹回归的置信度，分析了一条轨迹在当前帧中的可能状态，并设计了置信度融合模块来指导有序关联的轨迹和检测的非极大值抑制。最后，在 KITTI 和 Waymo 数据集上进行了大量实验，结果表明，所提出的方法可以通过使用两个模态检测器实现鲁棒跟踪，并且比许多最新的基于 TBD 范例的多模式跟踪方法更加精确。

Apr, 2023

一种无尺度轨迹简化方法以在视频中高效采集数据

本文介绍了一种半自动数据标注的方法，通过简化跟踪系统中的物体轨迹来减少手动校正的帧数，从而更高效地生成带标签的训练数据集。在 MOT 数据集上，它将需要手动校正的帧数减少了 30 倍，同时保持 89.61% 的 HOTA 得分；在 SoccerNet 数据集上，它将需要手动校正的帧数减少了 10 倍，同时达到了 79.24% 的 HOTA 得分；在 DanceTrack 数据集上，它将需要手动校正的帧数减少了 10 倍，同时达到了 85.79% 的 HOTA 得分。

Apr, 2023

在线目标特定度量学习和连贯动力学估计进行路径片段关联

本文提出一种基于在线目标特定度量学习和协同动力学估计的方法，通过网络流优化来实现长期多人跟踪中的轨迹相关性关联。该方法利用外观和动态线索，避免跟踪时出现身份混淆，并恢复漏检。在跟踪过程中，学习和在线估计目标特定的度量（外观线索）和动态（运动线索），即使由于遮挡或对象间相互作用而无法识别或跟踪目标时仍有效。文中还提出了学习这两种跟踪线索的权重来有效处理严重遮挡和对象间相互作用等困难情况。该方法在多个公共数据集上验证，实验结果表明优于多种最先进的跟踪方法。

Nov, 2015