多目标跟踪中基于学习的运动模型的探索

Mar, 2024

多目标跟踪中基于学习的运动模型的探索

Exploring Learning-based Motion Models in Multi-Object Tracking

Hsiang-Wei Huang, Cheng-Yen Yang, Wenhao Chai, Zhongyu Jiang, Jenq-Neng Hwang

TL;DR本文研究了多目标跟踪领域中使用 Kalman 滤波器的传统方法在面对复杂非线性运动和遮挡等动态环境中的局限性，并探讨了替代 Kalman 滤波器的各种基于学习的运动模型。我们提出了一种名为 MambaTrack 的在线基于运动的跟踪器，它在挑战性的 DanceTrack 和 SportsMOT 数据集上优于所有现有的基于运动的跟踪器。此外，我们进一步利用状态空间模型在轨迹特征提取中的潜力，提出了一种名为 MambaTrack + 的跟踪器，在 DanceTrack 数据集上达到 56.1 HOTA 和 54.9 IDF1 的最新性能。

Abstract

In the field of multi-object tracking (MOT), traditional methods often rely on the kalman filter for motion prediction, leveraging its strengths in linear motion scenarios. However, the inherent limitations of th

multi-object tracking kalman filter learning-based motion model mambatrack state-space-model

发现论文，激发创造

MotionTrack: 多目标跟踪的运动预测器学习

本文提出了一种名为 MotionTrack 的新型可学习动作预测器，其综合结合了两个层级的运动特征以增强时态动态的建模和促进个体物体准确的未来运动预测。

Jun, 2023

超越卡尔曼滤波：基于深度学习的滤波器改进的物体追踪

我们提出了两种创新的数据驱动滤波方法，通过结合可训练的运动模型进行对象位置预测，并将观察结果与对象检测器的预测相结合，以提高边界框预测准确性。我们的方法在多个数据集上进行了广泛评估，证明在对象跟踪方面，尤其是非线性运动模式的情况下，我们的滤波器优于传统的 Kalman 滤波器。

Feb, 2024

通过动画跟踪：多物体注视跟踪的无监督学习

提出了一种称为 “Tracking-by-Animation” 的跟踪框架，通过利用可微分的神经模型对多个对象进行跟踪，并在重构帧中动画化这些对象，从而实现了无需标记数据的端到端 MOT 学习。同时进一步提出了优化数据关联的 “Reprioritized Attentive Tracking” 模型。

Sep, 2018

MapTrack：在地图中的跟踪

在本文中，我们提出了一种名为 MapTrack 的方法，利用概率图、预测图和协方差自适应卡尔曼滤波器的三个轻量级插件算法，通过增强经典跟踪器 DeepSORT 在拥挤和遮挡场景中的鲁棒性，实现在常用的多目标跟踪基准集（如 MOTS17 和 MOT20）上的最先进效果。

Feb, 2024

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

MAT: 移动感知多物体跟踪

本研究提出了一种增强型的运动感知多目标跟踪系统，集成了不同对象的多种运动模式，并引入动态重连上下文模块、三维积分图像模块等手段，取得了比其他先进跟踪器更为优越的高效性能。

Sep, 2020

ETTrack：增强的多目标跟踪时间性运动预测器

提出了一种基于运动的多目标跟踪方法，称为 ETTrack，它融合了变换器模型和时间卷积网络，利用历史运动信息预测个体物体的未来运动，并通过新颖的动量修正损失函数提高了预测准确性，实验证明 ETTrack 在 DanceTrack 和 SportsMOT 上取得了与最先进跟踪器竞争性的性能，分别达到 56.4％和 74.4％的 HOTA 指标。

May, 2024

深入研究单目三维物体跟踪中的动作感知匹配

提出了一种基于运动感知的单目三维多目标跟踪（MoMA-M3T）框架，通过在时间帧内捕捉物体的运动线索，将历史物体轨迹与当前观察结果进行匹配，实现与最先进方法相媲美的性能。

Aug, 2023

自动驾驶中的多目标跟踪与摄像头激光融合

本文提出了一种新颖的多模态多目标跟踪算法，用于自动驾驶汽车，该算法结合了相机和 LiDAR 数据。通过使用先进的 3D 物体检测器处理相机帧，以及使用经典的聚类技术处理 LiDAR 观察数据。该算法由三个步骤的联合过程、用于估计每个检测到的动态障碍物运动的扩展卡尔曼滤波器，以及轨迹管理阶段组成。与大多数先进的多模态目标跟踪方法不同，该算法不依赖地图或车辆全局姿态的知识。此外，它专门针对相机使用 3D 检测器，并且对使用的 LiDAR 传感器类型不敏感。该算法在仿真环境和实际数据中进行验证，并且结果令人满意。

Mar, 2024

DanceTrack：统一外观多样运动的多目标跟踪

为了解决现有跟踪数据集中存在的外观区分度差的问题，在另一篇文章中作者提出了 DanceTrack 数据集，我们在其中观察到与现有跟踪基准相比，目前最先进的几个跟踪器的表现明显下降，这表明 DanceTrack 为发展依赖于运动分析而非视觉差异的更多 MOT 算法提供了更好的平台。

Nov, 2021