Jun, 2024

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

PDF
TL;DR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。
deep learning-based object detectionmulti-object trackingcomplex multi-object occlusionbasketball-sorthota score
发现论文，激发创造
  • 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

  • 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

    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。

    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

  • 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

  • Mesh-SORT: 简单有效的基于位置的跟踪器与遗失管理策略

    本研究提出了一种基于子区域识别及匹配策略的 Mesh-SORT 多目标跟踪器，在 MOT17 数据集中相比基线实现了 3% 的分裂、7.2% 的标识符切换和 0.4% 的 MOTA 改进，适用于跟踪目标包括在复杂环境中的场景。

    Feb, 2023

  • 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

  • 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

  • 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

  • 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

  • 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