论文研究-结构先验约束下的实时多目标跟踪.pdf下载

weixin_39821620 2020-01-14 03:30:21

多目标跟踪算法通常需要计算多帧、多目标间的数据关联，由于目标样本数量大，优化过程十分耗时，因此往往实际应用受限。提出一种实时的多目标跟踪算法，通过建立在线更新的结构先验模型约束目标间的空间位置关系，从而捕获多帧多目标间的数据相关性；在推理目标的空间置信度时，为克服传统方法使用稀疏采样造成样本不足引起目标状态估计不准确的问题，采用一种新的思路：提取目标及其周围区域作为正例样本，在计算过程中引入循环矩阵理论进行密集采样，并进一步通过对解进行傅里叶变换，实现对搜索窗口内所有样本似然的快速推理，从而为结构先验模型提供目标所有可能位置的置信度。实验结果表明了该算法在提高跟踪精度的同时显著降低了运算时间。
相关下载链接：//download.csdn.net/download/weixin_38744270/11725620?utm_source=bbsseo

...全文

9 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

如题，虽然这个问题是经典目标跟踪算法，但事实上，可能我们并不需要那些曾经辉煌但已被拍在沙滩上的tracker(目标跟踪算法)，而是那些即将成为经典的，或者就目前来说最好用、速度和性能都看的过去tracker。我比较关注目标跟踪中的相关滤波方向，接下来我介绍下我所认识的目标跟踪，尤其是相关滤波类方法 benchmark:https://github.com/foolwood/ben...

论文地址：https://arxiv.org/pdf/2406.02147主页：https://liautoad.github.io/ua-track-website/3D多目标跟踪（MOT）在自动驾驶感知中起着至关重要的作用。最近基于端到端查询的跟踪器可以同时检测和跟踪对象，这在3D MOT任务中显示出巨大的潜力。然而，现有的方法忽略了不确定性问题，即对被跟踪对象的状态和位置缺乏精确的信心。

我自己的原文哦~ https://blog.51cto.com/whaosoft/14225731单目标跟踪是计算机视觉中一个众所周知且具有挑战性的研究课题。在过去的二十年中，许多研究人员提出了各种算法来解决这个问题，并取得了令人满意的结果。最近，基于Transformer的跟踪方法由于其卓越的跟踪鲁棒性，开创了单目标跟踪的新时代。尽管已经进行了几项综述研究来分析跟踪器的性能，但在单目标跟踪中引入Transformer之后，仍需要进行另一项调查研究。本文旨在分析Transform

论文链接：https://arxiv.org/pdf/2203.16527.pdf 这一篇论文是Facebook AI Research 的 Yanghao Li、何恺明等新作。论文思想主要是证明了将普通的、非分层的视觉 Transformer 作为主干网络进行目标检测的可行性。仅仅通过VIT的最后一层特征，通过多次反卷积来实现特征的多尺度。摘要本文探索研究了一种链式的，非层级结构的VIT作为目标检测的backbone。这种设计使得原始的VIT结构就可以fine-tuned用于目标检测，而无需重新

下载资源悬赏专区

13,654

社区成员

12,574,382

社区内容

发帖

与我相关

我的任务

其他技术论坛（原bbs）

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章