- 自动轮椅针对环境因素的道路穿越决策实验评估
自主轮椅在安全过马路时受到多种环境因素的影响,如恶劣天气条件会影响人工视觉的准确性。本研究侧重于追踪性能的微调和对雾、雨、黑暗等室外环境因素的实验评估,以量化它们对准确性的影响,从而检测不可接受的准确性条件,并通过降低不准确传感器的声誉来改 - CVPRSpatialTracker: 在 3D 空间中跟踪任意 2D 像素
通过估计 3D 空间中的点轨迹以减轻由图像投影引起的问题,本研究提出了一种名为 SpatialTracker 的方法,使用单目深度估计器将 2D 像素提升为 3D,并使用三平面表示高效地呈现每帧的 3D 内容,并使用变换器进行迭代更新以估计 - 使用理论最优滑动窗口方法追踪动态高斯密度
通过理论上的特征分类,我们提供了一个原则性指南,以选择最优的权重序列,从而改善卡尔曼滤波器在动态密度估计中的追踪效果。
- ACTrack: 为视觉目标跟踪添加时空条件
我们提出了 ACTrack,一个新的跟踪框架,通过冻结参数来保留预训练的 Transformer 骨干的质量和能力,并使用可训练的轻量级加法网络来建模跟踪中的时空关系,实验结果证明 ACTrack 能够在训练效率和跟踪性能之间取得平衡。
- 从全局表示内存中读取相关特征进行视觉目标跟踪
通过引入关联性注意机制和全局表示记忆,我们提出了一种新的跟踪范式,该范式可以自适应地帮助搜索区域选择最相关的参考特征的历史信息,以减少冗余,提升跟踪性能。
- AAAI具有质量感知形状补全的鲁棒三维跟踪
通过形状补全方法构建稠密而完整的点云目标表示,从而实现鲁棒的三维跟踪,并借助体素化的关系建模模块和框精炼模块提高跟踪性能。
- 学习历史状态提示以实现准确和强健的视觉跟踪
该研究提出了一种历史信息提示器(HIP)和基于 HIP 模块的 HIPTrack,以增强跟踪器的历史信息提供,进而显著提高跟踪性能。该方法在 LaSOT、LaSOT ext、GOT10k 和 NfS 数据集上表现优于目前所有最先进的方法,并 - 基于健壮相似性度量的多船追踪
通过将 TIoU 指标纳入现有的多对象跟踪框架,如 DeepSort 和 ByteTrack,我们持续提升了这些框架的跟踪性能。
- 质量至上:接纳质量线索以实现强大的 3D 多目标跟踪
本文基于大量实证分析,提出了一种基于物体属性质量评估的分层联结策略,可有效提高三维多目标跟踪的性能表现。实验结果表明,该策略使得跟踪性能提高了 2.2% AMOTA,并在 nuScenes 数据集上表现出领先于现有最新技术的优异结果。
- 使用 Transformer 的视觉跟踪
本文介绍了一种基于 Transformer 编码器 - 解码器架构和强有力的注意机制的新型追踪器网络,通过自我关注模块和交叉注意力,提高了全局和丰富的背景信息获取,支持超越局部特征的追踪效果,在多个基准测试上表现出优异的性能。
- HOTA:用于多物体跟踪评估的高阶度量
提出了一种基于五种基本错误类型的子度量的多目标跟踪评估新指标 HOTA(Higher Order Tracking Accuracy),该指标明确平衡了精确检测,关联和定位的效果,能够评估每个基本错误类型的子度量,并在跟踪性能分析方面较之于 - Alpha-Refine: 通过精确定界框估计提高跟踪性能
本文介绍了一种新的、灵活的和准确的细化模块 Alpha-Refine,并将其应用于五种基础跟踪器中,实现了在 TrackingNet、LaSOT 和 VOT2018 基准测试中比其他现有的细化方法显著提高跟踪性能的效果。
- 简单在线实时跟踪
本文探索一种实用的多目标跟踪方法,强调高效地为实时应用程序分配对象。在追踪组件中,使用了卡尔曼滤波器和匈牙利算法等熟悉技术的简单组合,同时也发现检测质量是影响跟踪性能的关键因素之一。通过更改检测器,跟踪精度可以提高高达 18.9%。此外,由