Jun, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 体育多目标跟踪中的迭代尺度扩展 IoU 和深度特征关联

    提出了一种新的多目标跟踪算法 ISU-Net, 其使用了迭代放大扩展 IoU 算法，能够有效跟踪非线性运动的目标，并相比其他算法，具有更低的计算成本

    Jun, 2023

  • 篮球 - SORT：篮球多目标跟踪中的复杂多目标遮挡问题的关联方法

    基于深度学习的物体检测和多目标跟踪进展显著，但篮球场景中的复杂多目标遮挡问题较为困难。该篇论文提出了一种名为 Basketball-SORT 的在线强鲁棒多目标跟踪方法，通过使用球员位置的投影轨迹来解决复杂多目标遮挡问题。实验证明该方法在篮球视频数据集上取得了 63.48％的高级别跟踪准确度得分，优于其他近期方法，有效地解决了复杂多目标遮挡问题。

    Jun, 2024

  • 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

  • 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

  • 基于区间的层次性 IoU 跟踪

    本论文提出了一种名为 HIT 的分层 IoU 跟踪框架，通过利用 tracklet 间隔作为先验，实现统一的分层跟踪，并利用 IoU 进行关联，舍弃了繁重的外观模型、复杂的辅助线索和基于学习的关联模块，解决了关于目标尺寸、摄像机运动和分层线索的三个不一致问题，并在四个数据集上取得了良好的性能，为未来的跟踪方法设计提供了强大的基线，并证明了 HIT 可以与其他解决方案无缝集成。

    Jun, 2024

  • SportsMOT：多场景多种运动的大规模多物体追踪数据集

    本文提出了一种新的大规模多目标追踪数据集 SportsMOT，旨在促进运动跟踪器在运动和外观等方面的进步，通过比较当下几种状态最好的跟踪器和 MixSort 框架，我们发现 SportsMOT 的关键挑战在于对象关联，MixSort 框架通过将自定义的基于外观的关联与原始的基于运动的关联相结合，实现了在 SportsMOT 和 MOT17 上的最先进的性能表现。

    Apr, 2023

  • SFSORT：基于场景特征的简易在线实时跟踪器

    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。

    Apr, 2024

  • HOTA：用于多物体跟踪评估的高阶度量

    提出了一种基于五种基本错误类型的子度量的多目标跟踪评估新指标 HOTA（Higher Order Tracking Accuracy），该指标明确平衡了精确检测，关联和定位的效果，能够评估每个基本错误类型的子度量，并在跟踪性能分析方面较之于现有的指标更具有效性，此外，该指标的得分还能够更好地与人眼视觉跟踪性能评估相一致。

    Sep, 2020

  • 混合排序：在线多目标跟踪中的弱线索重要性

    多目标跟踪 (MOT) 任务可以通过添加弱线索来解决目标遮挡和聚类问题，并在多个追踪器上展现出了明显和持续的改进。

    Aug, 2023