Jun, 2024

基于区间的层次性 IoU 跟踪

PDF
TL;DR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。
multi-object trackinghierarchical iou trackingtracklet intervalsassociationperformance
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

  • ByteTrack: 通过关联每个检测框进行多目标跟踪

    该研究旨在提高多对象追踪的性能，提出了一种基于低得分对象的相似性与轨迹的关联方法，并设计了一种名为 ByteTrack 的强大追踪器，在多个基准测试中实现了最先进的性能，其中包括 MOT17。

    Oct, 2021

  • 利用连通性：TrackletNet 多物体跟踪

    本篇论文提出了一种创新而有效的追踪方法 TrackletNet Tracker (TNT)，它将时间和外观信息结合在一起作为一个统一的框架来处理多目标追踪 (MOT) 的挑战，并相比其他最先进方法，在 MOT16 和 MOT17 基准数据集上取得了令人满意的结果。

    Nov, 2018

  • 多目标追踪作为 ID 预测

    在多目标跟踪中，我们将目标关联任务视为一种端到端的上下文 ID 预测问题，并提出了一种简化版的 MOTIP 方法，通过直接预测当前帧中物体的 ID 标签来学习跟踪能力，从而避免了繁琐的手工算法。我们的方法在复杂场景中表现出色，并与其他基于 Transformer 的方法在 MOT17 上竞争力十足，展示出了显著的潜力，可作为未来研究的起点。

    Mar, 2024

  • ReIDTrack：无运动的多对象追踪与分割

    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

  • 基于健壮相似性度量的多船追踪

    通过将 TIoU 指标纳入现有的多对象跟踪框架，如 DeepSort 和 ByteTrack，我们持续提升了这些框架的跟踪性能。

    Oct, 2023

  • 多层独立相关滤波器用于视觉跟踪

    设计了一种新的跟踪框架 MHIT，其核心在于引入运动估计模块捕捉运动信息和使用多层次深度特征和独立的相关滤波器进行跟踪，同时采用自适应的多分支相关滤波器融合方案，用于纠正特征冗余和物体局部遮挡的影响，通过实验证明，该系统可以显著提高跟踪性能，尤其是在 VOT2017 挑战赛上获得了 20.1% 的相对性能提升，并在 VOT2018 挑战赛上取得了最新的最佳表现。

    Nov, 2018

  • 基于统一外观迭代关联检测的多目标跟踪技术在拖网捕鱼副捕物监测中的应用

    该论文提出了一种基于现有观测中心跟踪算法的新型多目标跟踪方法，采用新的迭代关联步骤大大提高了对具有均匀外观的目标的跟踪性能。

    Apr, 2023

  • FishMOT: 基于 IoU 匹配的简单有效鱼类跟踪方法

    该研究提出了一种名为 FishMOT 的新型鱼类多目标跟踪方法，该方法将目标检测技术与 IoU 匹配算法相结合，实现了高效、精确和稳健的鱼类检测和跟踪，显著减少了计算时间和存储空间。实验结果表明，该方法在各种评估指标上优于其他方法，速度更快，内存需求更低。

    Sep, 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