- 多模态物体跟踪的卓越性能
多模态目标跟踪是一个新兴领域,它利用来自各种模态的数据(比如视觉、深度、红外热像、事件、语言和音频)来估计视频序列中任意物体的状态。本研究综述了现有多模态目标跟踪任务,并分析总结了各个任务的常用数据集和主流的跟踪算法,重点关注了它们基于自监 - 自适应跟踪的自回归查询与时空 Transformer
提出了一个自适应的带有时空转换器的跟踪器(命名为 AQATrack),通过采用简单的自回归查询来有效地学习时空信息,从而改善了目标跟踪中手动设计组件过多的问题,并设计了新颖的注意力机制来生成当前帧的新查询,最终使用空间 - 时间信息融合模块 - CVPR深入研究多物体跟踪的轨迹长尾分布
本研究探索了多目标跟踪数据的分布模式,并发现现有多目标跟踪数据集中存在显著的长尾分布问题。针对这一挑战,我们提出了两种数据增强策略,并引入了 Group Softmax 模块用于 Re-ID,在多个现有跟踪系统中集成我们的方法,经过广泛实验 - 多人跟踪方法的比较研究
这篇论文研究了两种在 MOT 挑战排行榜上名列前茅的追踪算法(SORT 和 Tracktor++),目的在于发现这些算法在追踪流程中采用的技术,并提供有价值的见解以改进 MOT 追踪算法的性能。研究采用了常用的检测跟踪方法,并使用自己训练的 - 透明物体跟踪与增强融合模块
透明物体的跟踪是许多机器人任务的关键,本文介绍了一种新的功能融合技术,将透明性信息嵌入到固定的特征空间中,用于透明物体跟踪,从而实现了优于现有方法的结果。
- 使用梯度下降从测量中学习 IMM 滤波器参数
本文研究了一种使用测量数据进行参数优化的算法,并在模拟数据上进行了验证。
- 基于半自动计算机视觉的多个工业实体的跟踪 -- 框架和数据集创建方法
介绍了 TOMIE 框架,用于连续跟踪工业实体(例如托盘、箱子、桶)的位置,包括多种传感器和数据处理算法,这个框架已被应用于工业中采集数据集,名为 TOMIE 数据集,并使用三种跟踪算法赋予实验证明,结果与同类数据集相比有所改善。
- ICCV基于选择和细化的视觉跟踪视频注释
提出了一种新的框架,利用选择和细化策略自动改进跟踪算法生成的初始注释,包括一个时间评估网络和一个视觉几何改进网络,它们共同提供了一个原则性的方法来确保自动视频注释的质量,并且在大规模跟踪基准测试中表现出高度准确性。
- 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。
- MM自监督小型足球运动员检测和跟踪
本篇论文提出了自监督管道来检测和跟踪低分辨率足球玩家,不需要任何地面真实数据,并赢得了顶级结果。
- CVPR标注错误对基于 YOLOv3 的无人机检测的影响
本文通过模拟不同类型的标注错误并测试具有错误注释的 YOLOv3 的性能,同时研究了 CVPR-2020 Anti-UAV Challenge 数据集中不可避免的注释错误,并提出了纠正这些注释错误的解决方案。
- LaSOT:大尺度单目标跟踪高度质量基准
本文提出了 LaSOT,一个用于对象跟踪的高质量基准数据集,它包括大量具有视觉挑战的序列,同时还提供了自然语言方面的数据丰富,以促进自然语言特征的研究。35 种跟踪算法在该数据集上进行了实验,并发现仍有很大的改善空间。
- 追踪嘈杂目标:近期物体追踪方法综述
本文对视觉物体跟踪算法的最新趋势和进展进行了广泛的综述,评估了在噪声存在的情况下跟踪器的鲁棒性。我们发现,没有任何一种算法在噪声存在的情况下能够与无噪声条件下的效率相同,因此需要在评估新提出的跟踪算法时包含一个鲁棒性参数。