- 聚集场景中通过头部聚焦处理高度遮挡问题的密集人群跟踪
本研究中,我们提出了一种联合检测深度学习模型,用于解决在高密度人群中识别和跟踪行人的问题,实验数据表明,该模型在小型和中型行人检测方面取得了最先进的结果。
- CVPR注重细节:具有多样细粒度表征的在线多物体跟踪
通过使用多头遮罩生成器来提取目标的精细特征,并通过二次采样技术来获得更高的分辨率和更精确的语义信息,我们提出了一种能够在多物体跟踪中获得最先进性能的新方法。
- 基于 Transformer 的多目标跟踪分配决策网络
本研究提出了一种基于 Transformer 的决策网络模型 (TADN),无需在推理过程中进行显式优化,可在单个正向传递网络中直接推断检测和活动目标之间的关系,通过一种简单的 MOT 框架进行实现,并展示了在 MOT17 和 UA-DET - ECCV追踪野外一切
本研究针对大规模多目标跟踪 (MOT) 数据集中存在的类别过多、类别相似等问题,提出了一种新的评价指标 Track Every Thing Accuracy (TETA),并介绍了一种新的跟踪器 Track Every Thing trac - CVPR统一 Transformer 物体跟踪器
该论文介绍了一种名为 Unified Transformer Tracker (UTT) 的模型,通过该模型,研究者们可以在同一框架下解决不同场景下的目标跟踪问题。该模型可以同时进行单目标跟踪(Single Object Tracking) - ICCVGIAOTracker:基于全局信息与优化策略的 VisDrone 2021 MCMOT 综合框架
本研究提出了一个新的多目标追踪器 GIAOTracker,它通过三阶段的在线追踪、全局关联和后处理框架来解决无人机视频中小目标、相机运动和视角变化等挑战,达到了领先水平,并在 VisDrone2021 MOT 挑战中获得第三名。
- CVPR使高阶 MOT 可扩展:针对抬升后的不相交路径提出的高效近似解算器
本论文提出了一种高效的近似消息传递求解器,用于解决具有 NP 难度的抬升不相交路径问题,该问题是多目标跟踪的一种自然建模方法。我们的跟踪器能够扩展到用于长序列和拥挤 MOT 序列的非常大的实例。我们的近似求解器使得我们能够在不牺牲解决方案质 - 半监督轨道对比表示学习
本文提出了一种基于实例到轨迹匹配的外观嵌入学习方法,可以处理在线多目标跟踪问题,该方法可以进行半监督学习,并且在多个数据集上都表现出了更好的性能。
- 适用于多目标跟踪和分割的原型交叉注意力网络
我们提出了一种名为 PCAN 的新型神经网络,它可以应用于在线多目标跟踪和分割任务,利用空间和时间信息识别、追踪和分割物体,以及学习对比前景和背景原型,并在时间上进行传播。实验表明,该方法在多个数据集上都表现优异。
- CVPR混合密度网络多目标跟踪用于轨迹估计
本文说明了轨迹估计能成为跟踪的关键因素,提出一种基于循环混合密度网络的轨迹估计器 TrajE,可添加到现有的物体跟踪器中。我们将 TrajE 集成到两种最先进的跟踪算法中,CenterTrack 和 Tracktor,这两种算法在 MOTC - ECCVMOTR: 使用 Transformer 进行端到端的多目标追踪
本文介绍了一种名为 MOTR 的方法,它使用 track query 来建模整个视频中的跟踪实例,并引入了一种新的时域关系建模方法。实验结果表明,MOTR 在 HOTA 指标上比现有技术 ByteTrack 提高了 6.5%,在 MOT17 - CVPR可学习的图匹配:将图分割与深度特征学习结合用于多目标跟踪
本文提出一种新的学习可伸缩图匹配方法,用于解决目前多目标跟踪(MOT)任务中的数据关联问题,该方法可以使跟踪器在面对严重遮挡等困难情况时表现更加优异,同时在多项标准 MOT 数据集上取得了最先进的性能。
- CVPR为多目标跟踪学习提议分类器
本论文提出了一个新颖的基于提议的可学习框架来解决多目标跟踪问题,该框架类似于 Faster RCNN,通过图聚类方法产生跟踪提议,并通过可训练的图卷积网络 GCN 来打分,实验结果表明这种方法在两个公共基准测试上比最先进的方法都有明显的性能 - CVPRDEFT: 检测嵌入用于跟踪
本文提出了一种名为 DEFT 的高效的联合检测和跟踪模型,它使用外观匹配网络和对象检测网络共同学习,并添加了 LSTM 来捕获运动约束,DEFT 在应用于更具挑战性的跟踪数据时具有更高的健壮性。
- TransTrack:基于 Transformer 的多目标跟踪
本文提出了 TransTrack,该方法利用 Transformer 架构解决多目标跟踪问题,采用对象特征作为当前帧的查询并引入一组学习对象查询以检测新对象,通过实现单次检测和跟踪建立了新的联合检测和跟踪范例,在 MOT17 和 MOT20 - 多目标跟踪的概率轨迹评分和修复
该研究提出了一种基于自回归运动模型的多目标跟踪算法,能够处理长期的遮挡问题,通过训练模型去学习自然轨迹的分布,与传统方法相比,在多个 MOT 基准数据集上表现更好。
- GMOT-40:通用多目标跟踪基准
本文通过构建 GMOT-40 数据集、设计一系列 GMOT 基线算法及对 GMOT-40 的全面评估,旨在推动 GMOT 的研究,以及提供公共的基准测试、评估结果和基线算法。
- MOTChallenge:单目多目标跟踪基准测试
MOTChallenge 是一个针对单摄像头多目标跟踪设计的标准化比赛,包含三个版本,包括挑战性视频和精确的标签,同时提供了多目标跟踪器分类和广泛的错误分析。
- 多目标运动建模联合检测与跟踪
引入基于深度学习的运动建模网络(DMM-Net)估算多个物体的运动参数,可用于联合检测和关联,以解决现有方法中深度模型过于依赖检测器、评估结果受检测器影响的问题。通过运用 DMM-Net 构建的 Omni-MOT 数据集,消除了检测器对多目 - CVPRIA-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