CVPRJun, 2024

走向具有普适性的多目标跟踪

PDF
TL;DR多目标跟踪应具备高度的一般化能力，然而现有的跟踪器往往无法满足各种特征，而通过研究并将其抽象成一组跟踪场景属性，我们提出了一种点对点到实例关系的跟踪框架 GeneralTrack，能够在不需要平衡运动和外观的情况下，高效地进行多场景跟踪，从而在多个基准测试中达到最先进的性能，并展示了领域泛化的潜力。
multi-object trackinggeneralizabilitytracking scenario attributesrelation frameworkgeneraltrack
发现论文，激发创造
  • GMOT-40：通用多目标跟踪基准

    本文通过构建 GMOT-40 数据集、设计一系列 GMOT 基线算法及对 GMOT-40 的全面评估，旨在推动 GMOT 的研究，以及提供公共的基准测试、评估结果和基线算法。

    Nov, 2020

  • 鲁棒性多模态多目标追踪

    该研究提出了一个通用的、传感器无关的多模态多目标跟踪框架，通过在数据关联过程中编码点云的深度表示，使每种模态能够独立执行其职能以保证其可靠性，并通过新型的多模态融合模块进一步提高其精度。该框架在 KITTI 基准上的表现达到了最新水平。

    Sep, 2019

  • MotionTrack: 学习多目标跟踪的强健短期和长期运动

    本文提出了一种名为 MotionTrack 的简单而有效的多目标跟踪器，它在统一框架中学习健壮的短期和长期运动，以将轨迹从短范围关联到长范围。通过在检测范例跟踪中嵌入 Interaction Module 和 Refind Module​​，在挑战性场景中，该方法在各种 MOT 指标上均实现了最先进的性能。

    Mar, 2023

  • 多目标跟踪：文献综述

    本文是关于多目标跟踪 (MOT) 这一问题的首次综述研究，着重审查了各个方面的最新进展并提出未来研究的一些有趣方向。本文的四个主要贡献是：讨论了 MOT 系统中的关键方面，包括公式化、分类、关键原则和 MOT 评估；根据不同方面讨论了现有方法，每个方法组被分成不同组并详细讨论了原则、进展和缺点；总结了现有出版物的实验，并在流行数据集上汇总了结果，从不同角度分析了结果，验证了该领域的一些基本协议；并提出了 MOT 研究的问题和一些有趣方向，这将成为未来的潜在研究努力。

    Sep, 2014

  • MAT: 移动感知多物体跟踪

    本研究提出了一种增强型的运动感知多目标跟踪系统，集成了不同对象的多种运动模式，并引入动态重连上下文模块、三维积分图像模块等手段，取得了比其他先进跟踪器更为优越的高效性能。

    Sep, 2020

  • 多粒度语言指导的多目标追踪

    通过结合多模态的语言驱动特征和视觉特征，在多目标跟踪中提出了一种新的 LG-MOT 框架，它在不同层次上（场景和实例级）明确利用语言信息并且与标准视觉特征结合以获得判别性表示。通过在现有的 MOT 数据集中注释场景和实例级的语言描述，将语言信息编码到高维度嵌入中，并在训练过程中用于引导视觉特征。在三个基准测试集 MOT17、DanceTrack 和 SportsMOT 上进行了广泛实验，结果显示提出的方法在性能上达到了最先进水平，并在舞蹈跟踪测试集上相对于仅使用视觉特征的基线方法具有绝对增益 2.2％。此外，所提出的 LG-MOT 表现出良好的跨领域泛化能力。

    Jun, 2024

  • MotionTrack: 多目标跟踪的运动预测器学习

    本文提出了一种名为 MotionTrack 的新型可学习动作预测器，其综合结合了两个层级的运动特征以增强时态动态的建模和促进个体物体准确的未来运动预测。

    Jun, 2023

  • OVTrack: 开放式词汇多目标跟踪

    本研究解决了传统多目标跟踪方法只针对少数预定义对象类型的固有限制，并提出了一种新的任务 Open-vocabulary MOT，进一步开发出一种数据效率优异的开放词汇跟踪器 OVTrack，通过知识蒸馏和数据幻觉策略有效提升图像分类和关联准确性，最终在大规模的 TAO 基准测试上取得了最新的最优效果。

    Apr, 2023

  • Z-GMOT: 零样本通用多目标跟踪

    我们介绍了一种新方法，称为零样本通用多目标跟踪算法（Z-GMOT），它可以跟踪从未见过的物体类别，而无需预定义类别或初始边界框。我们使用 iGLIP 对 Z-GMOT 进行评估，结果表明在多个数据集上的表现优于现有方法。

    May, 2023

  • IA-MOT: 具有运动一致性的实例感知多目标追踪

    本文提出一种基于 “Mask R-CNN” 的新型跟踪框架，称为 “instance-aware MOT”，能够联合考虑实例级特征和对象运动来在静态或移动摄像机中跟踪多个对象

    Jun, 2020