- AttMOT: 引入辅助行人属性来改善多目标跟踪
我们提出了一种简单、有效和通用的方法来预测行人属性,以支持通用的 Re-ID 嵌入。我们介绍了一个包含超过 80k 帧和 600 万行人 ID 的 AttMOT 大型综合数据集,用于行人跟踪。我们探索了不同的方法来融合 Re-ID 嵌入和行 - ICCV适用于帧率不敏感多目标跟踪的协同学习
多目标跟踪是一个关键研究领域,本文提出了一种协作跟踪学习的方法,通过丰富的时间描述和特征的进一步融合,实现了在低帧率视频中的多目标跟踪,取得了优于现有方法的性能。
- 通过两台摄像机在羽毛球场上追踪运动员
提出了一种简单的方法来进行羽毛球场上的多目标追踪,利用两台即插即用摄像机,一台位于场地顶部,一台位于场地侧面。利用顶部摄像机追踪选手的轨迹,而侧面摄像机分析选手的像素特征。通过计算相邻帧之间的相关性并利用两台摄像机的信息,可以实现羽毛球选手 - 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 MO - 实时多目标跟踪的混合方法
通过将光流算法与深度学习架构相结合,提出了一种混合策略来实现实时目标追踪,实现了在追踪精度和计算成本之间的理想平衡,相比其他最先进方法在 MOTA 上达到了 0.608 的结果,并且运行时间减少了一半,准确性基本相同。
- 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。
- ICCVMeMOTR: 长期记忆增强转换器用于多目标跟踪
我们提出了 MeMOTR,一种用于多目标跟踪的长期记忆增强 Transformer 模型,通过使用自定义的记忆 - 注意力层注入长期记忆,使得相同目标的轨迹嵌入更加稳定和可分辨,显著提高了模型的目标关联能力。实验结果显示,MeMOTR 在 - 基于未伪造控制的身份转换检测与纠正
本文采用无证明控制来解决多目标跟踪中的 ID 切换问题,并提出了简单有效的策略来处理外观信息的模糊匹配,实验结果表明该跟踪器在处理遮挡和快速移动引起的跟踪错误方面表现出优秀的效果和鲁棒性。
- 多目标跟踪作为关注机制
我们提出了一个概念简单且快速的多目标追踪模型 TicrossNet,该模型只由基本探测器和交叉注意力模块组成,能够实现实时处理,且不会因跟踪对象数量的增加而增加计算成本。
- 使用飞行器进行交通监测的轨迹泊松多重伯努利混合滤波器
本文介绍了一种使用配备光学和热成像相机的无人机进行交通监控的多目标跟踪算法。
- 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
- SparseTrack:基于伪深度场景分解的多目标追踪
本文提出了一种新的多目标跟踪算法 SparseTrack,通过在密集场景中进行稀疏分解,估计目标相对深度,并采用深度级联匹配算法将一个密集目标集转换为多个稀疏目标集,从而提高数据关联的效率,最终在 MOT17 和 MOT20 基准上取得了与 - MotionTrack: 多目标跟踪的运动预测器学习
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。
- Z-GMOT: 零样本通用多目标跟踪
我们介绍了一种新方法,称为零样本通用多目标跟踪算法(Z-GMOT),它可以跟踪从未见过的物体类别,而无需预定义类别或初始边界框。我们使用 iGLIP 对 Z-GMOT 进行评估,结果表明在多个数据集上的表现优于现有方法。
- 连接端到端和非端到端多目标跟踪之间的差距
Co-MOT 是一种简单有效的方法,通过阴影概念的新颖合作竞争标签分配来促进端到端的多目标跟踪,使得标签分配策略更加平衡,以优越的性能获得追踪表现。
- 具有形状和置信度约束的多目标跟踪器 SCTracker
本文提出了一种基于形状约束和置信度的多目标跟踪器,使用交并比距离结合形状约束计算轨迹与检测之间的代价矩阵,在数据关联阶段能够有效避免跟踪到错误的目标并使用基于置信度的卡尔曼滤波算法更新运动状态以提高跟踪效果。实验结果表明,该方法能够有效地提 - 用于视觉计算的不可分离多维网络流
这篇研究提出了一种新颖的非分离多维网络流的形式,从而实现了自动适应的特征选择策略,进而在多目标跟踪问题上取得了比标量公式更好的鲁棒性表现。
- 仅需两个探测器即可实现多模态三维多目标跟踪
本文提出了一种基于多模态融合的新型多目标跟踪框架,通过将目标检测和多目标跟踪集成到同一模型中,取消了传统 TBD 范例中复杂的数据关联过程,并且不需要额外的训练。其次,探讨了历史轨迹回归的置信度,分析了一条轨迹在当前帧中的可能状态,并设计了 - 以物体的顶部为标志进行跟踪
本文提出一种名为 TopTrack 的多目标检测和跟踪方法,使用物体顶部作为检测关键点,可以减少遗漏检测,进而提高多目标跟踪的完整性和减少轨迹丢失。TopTrack 方法在两个 MOT 基准测试上取得了和其他先进跟踪器相媲美的成果。
- 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