May, 2024

用于鲁棒抗遮挡多目标跟踪的近似动态规划框架

PDF
TL;DR研究工作中，我们考虑了涉及多目标跟踪（MOT）的数据关联问题，特别是解决了物体遮挡带来的挑战。我们提出了一个名为近似动态规划跟踪（ADPTrack）的框架，它将动态规划原理应用于改进已有的基本启发式方法。在 MOT17 视频数据集上的测试中，该方法在关联准确性（IDF1 指标）上表现出了超过基本启发式方法的 0.7％的改进，并在其他所有标准指标上也有提升。经验上发现，改进在固定位置摄像头获取的视频数据场景中尤为显著。
发现论文，激发创造
  • ADA-Track: 多相机三维多目标跟踪的端到端交替检测和关联

    一个名为 ADA-Track 的新颖框架对多视角相机的 3D 多目标跟踪进行端到端的研究，利用可学习的数据关联模块和基于边缘增强的交叉注意力，同时结合检测和数据关联任务，以实现更好的效果。

    May, 2024

  • SoDA: 基于软数据关联的多目标跟踪

    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

  • 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

  • FANTrack: 基于特征关联网络的三维多目标跟踪

    我们提出了一种数据驱动的方法，使用卷积神经网络（CNN）在一个检测跟踪框架中进行数据关联来进行在线多目标跟踪（MOT）。我们的解决方案学习如何在数据和图像之间组合线索来解决关联问题，可以在处理复杂情况下准确跟踪物体并获得优异结果。

    May, 2019

  • 基于图神经网络的端到端数据关联框架用于在线多目标跟踪

    本文提出了一个以神经网络为基础的端到端框架，用于解决在线多目标跟踪中的数据关联问题。算法将帧间数据关联建模成最大带权二分匹配问题，并利用预先学习好的神经网络进行求解，该网络结合了外观和运动特征来计算有关联所需的邻接矩阵。实验表明，该框架能够提供更快的计算速度和更好的跟踪精度。

    Jul, 2019

  • 在线目标特定度量学习和连贯动力学估计进行路径片段关联

    本文提出一种基于在线目标特定度量学习和协同动力学估计的方法，通过网络流优化来实现长期多人跟踪中的轨迹相关性关联。该方法利用外观和动态线索，避免跟踪时出现身份混淆，并恢复漏检。在跟踪过程中，学习和在线估计目标特定的度量（外观线索）和动态（运动线索），即使由于遮挡或对象间相互作用而无法识别或跟踪目标时仍有效。文中还提出了学习这两种跟踪线索的权重来有效处理严重遮挡和对象间相互作用等困难情况。该方法在多个公共数据集上验证，实验结果表明优于多种最先进的跟踪方法。

    Nov, 2015

  • 深度亲和网络用于多目标跟踪

    本研究提出了基于深度学习的数据关联方法来解决多目标跟踪中的数据关联问题，并在 MOT15、MOT17 和 UA-DETRAC 等数据集上通过 12 项指标的评估证明该方法是当今最佳的技术之一。

    Oct, 2018

  • 基于片段关联的追踪

    通过将单个视频序列视为多个短片段的方法，提出了一种新的目标关联方法，避免了中间中断的影响，聚合多帧信息实现更准确的长程跟踪关联，并在 TAO 和 MOT17 两个跟踪基准测试中进行了评估。

    Dec, 2022

  • 多目标跟踪中的数据关联机器学习方法

    本文综述了多目标跟踪管道中数据关联的问题，特别是针对学习方法在关联步骤中的应用。回顾了采用概率和端到端优化方法的数据关联方法，接着介绍了从数据中学习关联的方法，并比较了这些方法的性能。最后，讨论了未来的研究方向。

    Feb, 2018

  • 使用双匹配注意力网络进行在线多目标跟踪

    本文提出了一种在线多目标跟踪算法，该算法将单目标跟踪和数据关联方法的优点融合在统一框架中，以处理嘈杂的探测和目标之间频繁的交互，并在多目标跟踪基准数据集上展示出较好的性能。

    Feb, 2019