QDTrack:多目标跟踪的准稠密相似学习

涛涛CV

共 1138字,需浏览 3分钟

 · 2022-01-02

关注涛涛CV,设置星标,更新错过

-------------------------------------

QDTrack多目标跟踪的准稠密相似学习
相似性学习被认为是目标跟踪的关键步骤。然而现有的多目标跟踪方法仅将稀疏地面真值匹配作为训练目标,而忽略了图像上的大部分信息区域。在本文中提出了准稠密相似性学习,它对一对图像上的数百个区域建议进行稠密采样以进行对比学习。我们可以自然地将这种相似性学习与现有的检测方法结合起来,构建准密集跟踪(QDTrack),而无需转向位移回归或运动先验。我们还发现,得到的特征空间允许在推理时进行简单的最近邻搜索。尽管简单,QDTrack在MOT、BDD100K、Waymo和TAO跟踪基准上的性能优于所有现有方法。它在MOT17上以20.3 FPS的速度实现68.7 MOTA,无需使用外部训练数据。与使用类似检测器的方法相比,它提高了近10个MOTA点,并显著减少了BDD100K和Waymo数据集上的ID开关数量。

准稠密匹配

主要结果
我们的方法在MOT、BDD100K、Waymo和TAO基准测试中,以ResNet-50为基础模型,优于目前最先进的方法。
代码链接: https://github.com/SysCV/qdtrack
论文链接: https://arxiv.org/abs/2006.06664
项目主页: https://www.vis.xyz/pub/qdtrack/

-------------------------------------

笔记:

《智能革命》《人工智能》《AI•未来》《好好赚钱》《韭菜的自我修养》读书笔记

行业: 

服务机器人公司,机器视觉公司,自动驾驶公司,ADAS公司总结, 

SLAM:

Vslam方案+源码,语义SLAM与深度相机SLAM和导航避障视觉SLAM总结

秦学英《三维物体的识别与跟踪》章国锋《视觉SLAM》申抒含《基于图像的三维建模》姜翰青《RGB -D SLAM》记录笔记

视觉SLAM的建图课件3课件2课件1

总结:

10年机器视觉网站,5年人工智能网站,

2019经历总结2018视觉总结

机器视觉:

机器视觉基本概念笔记,记录五,记录四,记录三,记录二,记录一

双目视觉和激光传感器对目标物体的三维重建技术

图像处理:

图像处理基本概念笔记,记录八,记录七,记录六 ,记录五,记录四 ,记录三,记录二 ,记录二,记录一

欢迎支持,点击在看,分享

浏览 33
点赞
评论
收藏
分享

手机扫一扫分享

举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

举报