迷雾中的评估:多目标跟踪鲁棒性
通过对 Kalman 滤波进行改进以减小轨迹漂移噪声,并引入一种新的在线轨迹有效性机制来减少幽灵轨迹,从而在 3D 多物体跟踪中提出了 RobMOT 框架,该框架在各种检测器上表现出优于截至目前最先进方法的卓越性能,包括深度学习方法,在 MOTA 上的边缘为 3.28%,在 HOTA 上的边缘为 2.36%,并且在处理延迟上提高了 59%。
May, 2024
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
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
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
本研究采用真实数据模拟雾天环境,提出一种适用于任何 LiDAR 数据集的物理真实雾模拟方法。实验结果表明,我们的方法可以明显提高雾天环境下的 3D 目标检测性能,并为通过现有真实数据集提供了强有力的检测结果。
Aug, 2021
提出一种应用注意力度量编码来解决自动驾驶场景下多目标跟踪问题的方法,此方法通过软性数据关联来聚合所有物体检测的信息,从而使得模型能够在数据驱动的方式下推理出目标物体的遮挡情况并进行跟踪,实验结果表明该方法在规模较大的数据集上优于现有的视觉多目标跟踪技术。
Aug, 2020
本文聚焦于困难遮挡情况的视觉目标跟踪问题,并针对最近的 SOTA 跟踪器在难度不同的遮挡分类问题上的表现进行性能评估,结果表明,困难的遮挡问题仍然是目标跟踪领域的一个非常具有挑战性的问题,因此在现实世界中采用跟踪器时,需要对不同类型的遮挡进行更为专业的评估。
Sep, 2020
视觉目标跟踪领域主要通过结合简单的跟踪算法和临时方案来实现,而概率跟踪算法在视觉跟踪中却罕见。本文提出了一种基于概率的跟踪器,通过考虑目标运动的距离、利用检测器的置信度和建模非均匀杂乱特征,解决了概率跟踪器在视觉跟踪中的关键问题,取得了与最先进方法相当的性能。
Sep, 2023