Apr, 2024

DepthMOT：深度线索引导强大的多目标追踪器

PDF
TL;DR通过实现深度感知和相机姿态估计，本文提出了 DepthMOT 算法，可以准确区分多个对象，并解决了拥挤场景中物体混淆和相机运动不规则导致的 ID 切换问题。在 VisDrone-MOT 和 UAVDT 数据集上的广泛实验表明 DepthMOT 具有卓越性能。
multi-object trackingdepth perceptioncamera motioncamera pose estimationdepthmot
发现论文，激发创造
  • 基于运动深度的单眼三维物体检测

    通过研究基于单目输入的三维物体感知，提出了一种利用相机自运动提供的强几何结构进行精确物体深度估计和检测的方法，并建立了一个名为 “DfM” 的框架，成功地提高了 KITTI 基准数据集上的检测性能。

    Jul, 2022

  • 基于相机运动和物体检测的深度估计

    本文通过设计一种循环神经网络（DBox）和引入 ODMD 数据集解决了物体深度估算问题，ODMD 基准测试包括 4 个验证和测试集，不仅在物体检测和机器人领域中取得了最先进的结果，而且可以使用手机相机估算物体的深度。

    Mar, 2021

  • 视频多目标跟踪的深度学习研究

    本文综述了利用深度学习模型解决单摄像头视频的多目标跟踪任务的研究，总结了该任务中的四个主要步骤，并深入探讨了如何在每个步骤中利用深度学习。此外，还提供了对三个 MOTChallenge 数据集中所呈现的工作的完整实验比较，并确定了最优解方法之间的若干相似之处，提出了一些可能的未来研究方向。

    Jul, 2019

  • EagerMOT：通过传感器融合实现的三维多物体跟踪

    本文介绍了一种新的多目标跟踪方法 EagerMOT，它使用深度传感器和相机来融合对目标的观察，以实现对移动机器人周围物体在三维空间和时间上的定位，实验表明 EagerMOT 方法在 KITTI 和 NuScenes 数据集上达到了先进水平。

    Apr, 2021

  • 3D 多目标跟踪：基线和新的评估指标

    该论文提出了一个简单实时的 3D 多目标跟踪系统，使用 3D Kalman 滤波器和匈牙利算法进行状态估计和数据关联，并提出了新的 3D MOT 评估工具和新的评估指标，可在 KITTI 和 nuScenes 数据集上获得最先进的性能和最快的速度。

    Jul, 2019

  • SparseTrack：基于伪深度场景分解的多目标追踪

    本文提出了一种新的多目标跟踪算法 SparseTrack，通过在密集场景中进行稀疏分解，估计目标相对深度，并采用深度级联匹配算法将一个密集目标集转换为多个稀疏目标集，从而提高数据关联的效率，最终在 MOT17 和 MOT20 基准上取得了与最先进方法相当的表现。

    Jun, 2023

  • 从相机运动和视频对象分割学习物体深度

    本论文致力于解决如何从摄像机测量的数据中，使用视频目标分割技术学习估计物体深度的问题，为此我们首先引入了一个多样化的，可扩展的数据集，其次设计了一种新颖的深度学习网络，该网络仅使用分割掩模和不合格的摄像机运动即可估计物体深度，我们的方法可以通过机器人和车载摄像头，在不同领域进行定位目标和避开障碍物的实验。

    Jul, 2020

  • 3D 多视角多目标跟踪的轨迹初始化与再识别

    使用 2D 检测从单目相机提出了一种三维多目标跟踪（MOT）解决方案，该解决方案在自动启动 / 终止跟踪，解决外观再出现和遮挡方面具有重要作用。

    May, 2024

  • 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

  • AB3DMOT：3D 多目标跟踪的基准和新的评估指标

    本研究提出了一种简单实时的 3D 多目标跟踪系统，使用 3D Kalman 过滤器和匈牙利算法实现状态估计和数据关联，并提出了一种新的 3D MOT 评估工具以及三种新的评估指标。该方法在 KITTI 上表现出强大的 3D MOT 性能，并以 207.4 FPS 的速度运行。

    Aug, 2020