该研究提出了 TrackingNet 数据集,为在野外进行物体跟踪提供了第一个大规模数据集和基准,并评估了 20 多个追踪器模型,结果表明,在野外物体跟踪仍然远未解决。
Mar, 2018
该研究介绍了一个多样化的跟踪数据集,采用自下而上的方法获取了一个比以前跟踪基准的种类翻了一个数量级的大词汇,并进行评估表明现有的多种对象跟踪器在野外场景中存在困难,而基于检测的多对象跟踪器实际上是有竞争力的。
May, 2020
通过使用 transformers 从 3D 盒子中直接学习特征,本研究提出了一种名为 Box Only Transformer Tracker (BOTT) 的跟踪器,能够学习链接自不同帧的同一对象的 3D 盒子,以及在两个最大的 3D MOT 基准测试中取得有竞争力的性能。
Aug, 2023
本文提出了一种长期视觉对象跟踪性能评估方法和基准,并设计了性能度量标准,以最大程度地增强对分析的探究力度。此外,还提出了新的数据集并分析了跟踪架构对长期性能的影响,以及重新检测策略和视觉模型更新策略对长期跟踪漂移的影响。
Jul, 2019
本文介绍了一个用于评估多目标跟踪方法的基准测试框架,其中包含了约 50 个最先进的跟踪器的测试结果及其分析,旨在为推动这一领域的发展提供指导。
Apr, 2017
提出了一种名为 Track Long and Prosper(TLP)的新型长视频数据集和单个目标跟踪基准,包含 50 个高清视频,超过 400 分钟(676K 帧),是现有通用数据集平均持续时间的 20 倍以上,通过对 17 种现有跟踪器进行精度和运行时间速度排名,以及定性和定量评估,突出了跟踪性能的长期方面的重要性并指出了研究努力在长期跟踪方向的潜在需求。
Dec, 2017
通过使用 Transformer 模型,本文提出一种名为 STT 的有状态跟踪模型,它能够可靠地跟踪三维空间中的对象,并精确预测它们的状态,以确保自动驾驶的安全。通过消耗检测历史记录中的丰富外观、几何和运动信号,STT 在数据关联和状态估计任务上进行联合优化,并通过引入新的 S-MOTA 和 MOTPS 指标来评估其综合性能。在 Waymo Open 数据集上,STT 实现了具有竞争力的实时性能。
Apr, 2024
本文介绍了我们的工作,即创建一个新的多目标跟踪基准,以解决现有基准存在的问题,并通过 MOTChallenge 向一个更有意义的多目标跟踪定量评估统一框架迈进。
Apr, 2015
本文介绍了一种有效的框架以及注释轨迹的方法,用于生成具有前所未有的规模的 MOT 数据集,并通过验证表明我们的方法比现有技术更加准确和高效。此外,我们还 crowdsourcing 了 PathTrack 数据集,这个大规模的数据集将对物体追踪及目标识别领域产生重要影响,证明了这个数据集的价值,并且用已有的数据训练之后另行测评的结果证明了我们的方法的有效性。
Mar, 2017
本文针对平面目标跟踪问题,设计了一个包含两百多个视频和 eleven 种最先进算法的基准测试,并提供了基准测试的两种评估指标和详细分析结果,旨在促进未来关于平面目标跟踪的研究。