Jun, 2024

BiTrack: 双向离线 3D 多目标跟踪使用相机 - LiDAR 数据

PDF
TL;DR这篇论文提出了一种名为 BiTrack 的 3D 离线多目标跟踪框架，它包括 2D-3D 检测融合、初始轨迹生成和双向轨迹重新优化模块，以实现从相机 - LiDAR 数据中获得最佳的跟踪结果。实验结果表明，BiTrack 在准确性和效率方面取得了 3D 离线多目标跟踪任务的最新成果。
multi-object trackingoffline multi-object tracking2d-3d detection fusiontrajectory optimizationcamera-lidar data
发现论文，激发创造
  • 3D 多目标跟踪：基线和新的评估指标

    该论文提出了一个简单实时的 3D 多目标跟踪系统，使用 3D Kalman 滤波器和匈牙利算法进行状态估计和数据关联，并提出了新的 3D MOT 评估工具和新的评估指标，可在 KITTI 和 nuScenes 数据集上获得最先进的性能和最快的速度。

    Jul, 2019

  • 3D 多视角多目标跟踪的轨迹初始化与再识别

    使用 2D 检测从单目相机提出了一种三维多目标跟踪（MOT）解决方案，该解决方案在自动启动 / 终止跟踪，解决外观再出现和遮挡方面具有重要作用。

    May, 2024

  • MotionTrack: 基于 Transformer 的端到端多目标追踪与 LiDAR - 摄像头融合

    提出了一种基于 Transformer 的多模态传感器输入的端到端多目标跟踪算法（MotionTrack），它由基于 Transformer 的数据关联（DA）模块和基于 Transformer 的查询增强模块组成，同时实现了多目标检测（MOD）。MotionTrack 及其变体在 nuScenes 数据集上获得更好的结果（AMOTA 得分为 0.55），与 AB3DMOT、CenterTrack 和概率 3D 卡尔曼滤波器等经典基线模型相比有着更好的表现。

    Jun, 2023

  • 自动驾驶中的多目标跟踪与摄像头激光融合

    本文提出了一种新颖的多模态多目标跟踪算法，用于自动驾驶汽车，该算法结合了相机和 LiDAR 数据。通过使用先进的 3D 物体检测器处理相机帧，以及使用经典的聚类技术处理 LiDAR 观察数据。该算法由三个步骤的联合过程、用于估计每个检测到的动态障碍物运动的扩展卡尔曼滤波器，以及轨迹管理阶段组成。与大多数先进的多模态目标跟踪方法不同，该算法不依赖地图或车辆全局姿态的知识。此外，它专门针对相机使用 3D 检测器，并且对使用的 LiDAR 传感器类型不敏感。该算法在仿真环境和实际数据中进行验证，并且结果令人满意。

    Mar, 2024

  • AB3DMOT：3D 多目标跟踪的基准和新的评估指标

    本研究提出了一种简单实时的 3D 多目标跟踪系统，使用 3D Kalman 过滤器和匈牙利算法实现状态估计和数据关联，并提出了一种新的 3D MOT 评估工具以及三种新的评估指标。该方法在 KITTI 上表现出强大的 3D MOT 性能，并以 207.4 FPS 的速度运行。

    Aug, 2020

  • 基于相机 - LiDAR 融合的自动驾驶多目标检测与跟踪

    本文提出了一种有效的多模态 MOT 框架，包括使用 2D 和 3D 测量的联合目标检测和关联的端到端深度神经网络、用于计算 3D 空间中遮挡感知的外观和运动相似度的有效计算模块、以及联合优化检测置信度、相似度和开始 - 结束概率的综合数据关联模块，实验证明所提出方法在跟踪精度和处理速度方面优于 KITTI 跟踪基准。

    Aug, 2021

  • 可学习的在线图像表征：用于 3D 多目标跟踪

    本篇研究论文提出了一种基于学习的三维多目标跟踪方法，在公共数据集 nuScenes 上取得了近年来最好的性能表现，采用的关键技术包括神经消息传递网络、数据关联和轨迹稳定性的处理。

    Apr, 2021

  • 3DMOTFormer：在线三维多目标跟踪的图形转换器

    基于 Transformer 架构构建的学习几何 3D MOT 框架 3DMOTFormer，在进行跟踪检测双向图的基础上，通过边分类进行数据关联，并提出了一种新颖的在线训练策略，通过自回归和递归前向传播以及序列化批量优化来减少训练和推断之间的分布不匹配。

    Aug, 2023

  • FlowMOT：基于场景流的三维多目标跟踪

    本文提出了一种基于 LiDAR 的三维多目标跟踪框架 FlowMOT，该框架结合了点运动信息和传统的匹配算法，通过使用匈牙利算法生成最优匹配关系来完成跟踪任务。实验结果表明，该方法胜过最近的端到端方法，并且在各种速度场景下可以稳定地工作。

    Dec, 2020

  • 基于运动中心的三维点云单目标跟踪的范式：超越三维 Siamese 跟踪

    本文提出了一种基于运动中心范例的两阶段跟踪方法 M^2-Track 来解决传统外观匹配法在 LiDAR 点云跟踪中的不足，并在 KITTI、NuScenes 和 Waymo Open Dataset 三个数据集上表现出显著的精度提升（分别为 8％、17％和 22％），验证了该方法的有效性和前景。

    Mar, 2022