Apr, 2024

SFSORT：基于场景特征的简易在线实时跟踪器

PDF
TL;DR该论文介绍了 SFSORT，这是基于 MOT Challenge 数据集上的实验而开发的世界上速度最快的多目标跟踪系统。通过引入一种新的成本函数，称为边界框相似性指数，该系统实现了准确且计算效率高的跟踪器，消除了卡尔曼滤波器，从而减少了计算需求，并展示了场景特征对增强物体跟踪关联和改进跟踪后处理的影响。使用 2.2 GHz Intel Xeon CPU，在 MOT17 数据集上，该方法实现了 61.7% 的 HOTA 和 2242 Hz 的处理速度，在 MOT20 数据集上，实现了 60.9% 的 HOTA 和 304 Hz 的处理速度。该跟踪器的源代码、优化的物体检测模型和教程可以在 https://github.com/gitmehrdad/SFSORT 上获取。
multi-object trackingsfsorttracking-by-detectionbounding box similarity indexscene features
发现论文，激发创造
  • 实时多目标跟踪 - 速度重要性的研究

    通过多目标跟踪器和 Hungarian Algorithm 方法解决了运动物体的跟踪问题，并在 Okutama-Action 数据集上进行了测试表明实时运行时性能存在较大损失，需要进一步研究。

    Sep, 2017

  • 用深度关联度量实现简单的在线实时跟踪

    文中介绍了一个基于 SORT 方法的多目标跟踪算法，通过整合外观信息能有效地降低物体遮挡时的身份切换次数，并在利用最近邻查询视觉外观空间建立测量轨迹关联时表现出竞争性的性能。

    Mar, 2017

  • BoT-SORT: 鲁棒的多行人跟踪关联

    本文介绍了一种新的鲁棒性强的跟踪器，该跟踪器可以将运动和外观信息、相机运动补偿和更准确的卡尔曼滤波状态向量相结合，其新的跟踪器 BoT-SORT 和 BoT-SORT-ReID 在 MOTChallenge 的 MOT17 和 MOT20 测试集上均排名第一。

    Jun, 2022

  • StrongSORT：重现 DeepSORT

    这篇研究提出了 StrongSORT++ 的算法，结合了经典的 DeepSORT 追踪器及多方面的改进，并使用两种轻量级的插件算法 AFLink 和 GSI 解决 MOT 中的缺失关联和缺失检测问题，从而在多个公共基准测试中实现了最新的技术进展。

    Feb, 2022

  • 基于观测的 SORT 算法：为了实现鲁棒的多目标跟踪而进行的思考

    本文研究如何改进 Kalman filter 在多目标追踪中的表现，在处理时间比较大的遮挡情况下使用 Observation-Centric SORT 方法才能维护准确度。

    Mar, 2022

  • AgriSORT: 简易的在线实时检测跟踪框架用于农业精准机械

    基于运动信息的用于精准农业的实时检测跟踪管道的研究，重点是多目标追踪、精准农业、运动信息、检测跟踪管道和农业环境。

    Sep, 2023

  • 在线实时物体跟踪算法及其极小矩阵实现

    本研究旨在通过基于共享内存多核的吞吐量并行化技术，加速在线实时目标跟踪应用程序的运行。

    Mar, 2020

  • 简单在线实时跟踪

    本文探索一种实用的多目标跟踪方法，强调高效地为实时应用程序分配对象。在追踪组件中，使用了卡尔曼滤波器和匈牙利算法等熟悉技术的简单组合，同时也发现检测质量是影响跟踪性能的关键因素之一。通过更改检测器，跟踪精度可以提高高达 18.9％。此外，由于跟踪方法的简单性，该跟踪器的更新速率为 260 Hz，比其他最先进的跟踪器快 20 倍以上。

    Feb, 2016

  • 深度 HM-SORT：运用深度特征、调和平均和扩展 IOU 提升运动多目标追踪

    该论文介绍了一种名为 Deep HM-SORT 的新型在线多目标跟踪算法，专门用于提高运动场景中运动员的跟踪。通过集成深度特征、谐波平均和 Expansion IOU，Deep HM-SORT 解决了传统多目标跟踪方法在体育环境中面临的挑战，有效平衡外观和动作线索，显著降低 ID 交换，并改进了离开和重进画面的运动员的再识别问题。实验结果表明，Deep HM-SORT 在两个大规模公共基准测试中取得了最先进的性能，分别在 SportsMOT 数据集上达到 80.1 HOTA 和在 SoccerNet-Tracking 数据集上达到 85.4 HOTA，在 HOTA、IDF1、AssA 和 MOTA 等关键指标上胜过现有的跟踪器。该稳健的解决方案为自动化体育分析提供了提高准确性和可靠性的显著改进，而且没有引入额外的计算成本。

    Jun, 2024

  • Mesh-SORT: 简单有效的基于位置的跟踪器与遗失管理策略

    本研究提出了一种基于子区域识别及匹配策略的 Mesh-SORT 多目标跟踪器，在 MOT17 数据集中相比基线实现了 3% 的分裂、7.2% 的标识符切换和 0.4% 的 MOTA 改进，适用于跟踪目标包括在复杂环境中的场景。

    Feb, 2023