通过量子退火提高多目标跟踪的准确性
本论文提出了第一个针对使用 AQC 求解的 MOT 公式。通过使用描述在 AQC 上实现的量子力学系统的 Ising 模型,我们证明了该方法即使在使用现成的整数规划求解器时也可以与最先进的基于优化的方法竞争。最后,我们证明了 MOT 问题在当前一代真实量子计算机上可以解决小例子,并分析了测量解的属性。
Feb, 2022
提出了 UA-Track,一种能够解决 3D 多目标跟踪中存在的不确定性问题的框架,包括不确定性感知解码器、不确定性引导的查询去噪策略以及借助不确定性降低查询不确定性的方法。在 nuScenes 数据集上,UA-Track 在测试集上取得了 66.3% 的 AMOTA,超过了之前最佳的端到端解决方案 8.9% 的 AMOTA。
Jun, 2024
本文基于大量实证分析,提出了一种基于物体属性质量评估的分层联结策略,可有效提高三维多目标跟踪的性能表现。实验结果表明,该策略使得跟踪性能提高了 2.2% AMOTA,并在 nuScenes 数据集上表现出领先于现有最新技术的优异结果。
Aug, 2022
提出了一种基于 Transformer 的多模态传感器输入的端到端多目标跟踪算法(MotionTrack),它由基于 Transformer 的数据关联(DA)模块和基于 Transformer 的查询增强模块组成,同时实现了多目标检测(MOD)。MotionTrack 及其变体在 nuScenes 数据集上获得更好的结果(AMOTA 得分为 0.55),与 AB3DMOT、CenterTrack 和概率 3D 卡尔曼滤波器等经典基线模型相比有着更好的表现。
Jun, 2023
利用量子迁移学习 (QTL) 和量子退火 (QA) 的混合量子经典方法,通过将量子玻尔兹曼机引入混合量子经典管道,实现了对大规模医学图像的监督学习,取得了比传统迁移学习更好的分类性能。
Nov, 2023
本文主要介绍了我们针对在复杂环境下的多目标跟踪挑战提出的方法,将其作为两个阶段的任务,包括人体检测和轨迹匹配,并具体设计了一个改进的人体检测器和一个位置匹配矩阵,使其在 DanceTrack 数据集上获得了高达 66.672 HOTA 和 93.971 MOTA 的成绩。
Dec, 2022
本文介绍了一种解决多物体跟踪算法中身份切换问题的新的训练流程,通过构建丰富的训练数据并利用其学习得分函数,既可以使用简单的几何特征,也可以使用外观更为复杂的特征,我们的方法在多个 MOT 跑分中均优于现有技术。
Nov, 2018
本文提出了一个允许在共享模型中学习目标检测和外观嵌入的 MOT 系统,并进一步提出了一个简单快速的联合方法。这两个组件的计算成本与以前的 MOT 系统相比显着降低,为未来实时 MOT 算法设计提供了一个简洁快速的基准线。与分离检测和嵌入(SDE)学习相比,其跟踪准确性相当。
Sep, 2019
本研究基于 UA-DETRAC 数据集,对多目标跟踪系统中目标检测精度对总体性能的影响进行了全面的量化研究,提出了新的综合分析工具和指标
Nov, 2015
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