基于状态空间模型的多目标跟踪简单基线方法MambaTrack
为了解决现有跟踪数据集中存在的外观区分度差的问题,在另一篇文章中作者提出了 DanceTrack 数据集,我们在其中观察到与现有跟踪基准相比,目前最先进的几个跟踪器的表现明显下降,这表明 DanceTrack 为发展依赖于运动分析而非视觉差异的更多 MOT 算法提供了更好的平台。
Nov, 2021
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
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
通过引入UCMCTrack,本研究提出了一种新颖的基于运动模型的跟踪器,它能够有效地应对视频序列中的相机运动,并仅依赖于运动线索,在各种具有挑战性的数据集上取得了最先进的性能。
Dec, 2023
通过引入适应性的运动预测器,即AM-SORT,将卡尔曼滤波器替换为转换器架构,我们提出了一种基于运动的多目标跟踪方法,从而解决了在涉及非线性运动和遮挡情景时估计未来物体位置的限制。AM-SORT通过历史轨迹嵌入到转换器中,提取一系列边界框的时空特征,实现了与DanceTrack上最先进的跟踪器相当的性能,达到了56.3的IDF1和55.6的HOTA。我们进行了大量实验证明了我们的方法在预测遮挡下的非线性运动方面的有效性。
Jan, 2024
本文研究了多目标跟踪领域中使用Kalman滤波器的传统方法在面对复杂非线性运动和遮挡等动态环境中的局限性,并探讨了替代Kalman滤波器的各种基于学习的运动模型。我们提出了一种名为MambaTrack的在线基于运动的跟踪器,它在挑战性的DanceTrack和SportsMOT数据集上优于所有现有的基于运动的跟踪器。此外,我们进一步利用状态空间模型在轨迹特征提取中的潜力,提出了一种名为MambaTrack+的跟踪器,在DanceTrack数据集上达到56.1 HOTA和54.9 IDF1的最新性能。
Mar, 2024
RGB-Event based tracking framework, Mamba-FETrack, utilizing State Space Model achieves high-performance tracking while reducing computational costs, providing efficiency and effectiveness.
Apr, 2024
提出了一种基于运动的多目标跟踪方法,称为ETTrack,它融合了变换器模型和时间卷积网络,利用历史运动信息预测个体物体的未来运动,并通过新颖的动量修正损失函数提高了预测准确性,实验证明ETTrack在DanceTrack和SportsMOT上取得了与最先进跟踪器竞争性的性能,分别达到56.4%和74.4%的HOTA指标。
May, 2024
该研究解决了当前事件相机视觉追踪算法在目标定位中性能瓶颈的问题。提出的MambaEVT框架利用状态空间模型,结合动态模板更新策略,能在多个大规模数据集上实现良好的准确度与计算成本平衡。研究表明,动态与静态模板的有效结合显著提高了追踪效果。
Aug, 2024
本文针对现有多目标跟踪(MOT)中的运动建模效率和效果不足的问题,提出了一种名为TrackSSM的新方法,采用数据依赖的状态空间模型进行轨迹的时间运动建模。该研究的主要发现是TrackSSM在多个基准测试中展现了卓越的跟踪性能,扩展了状态空间模型在多目标跟踪任务中的应用潜力。
Aug, 2024