- 博客(15)
- 收藏
- 关注
RSS订阅原创 安装torch-scatter和torch-cluster报错
安装torch-scatter和torch-cluster报错：pip install torch-cluster。
2024-01-10 17:09:52
553
1
原创 安装mmcv,报错
pip install mmcv==2.1.0 -f https://download.openmmlab.com/mmcv/dist/cu117/torch1.13/index.html 就安装成功了。之后通过python3.8 -m pip install mmengine 安装成功。开始安装mmcv.报错信息如图1.之后采用上述方式依旧报错。说不能创建wheels。
2024-01-05 16:03:28
704
1
原创 RuntimeError: cuDNN error: CUDNN_STATUS_NOT_INITIALIZED
有时候只是选的显卡没内存了，换一张就行。
2023-10-25 18:56:05
95
原创 为什么vscode没有转到定义之类的选项
首先可能是所在的服务器没有下载python插件，所以就在vscode扩展中下载python。之后输入按下快捷键ctrl+shift+p，输入interpreter。之后选择所在虚拟环境对应的python。
2023-07-25 17:23:27
488
原创 yolox复现
7.cd YOLOX后，运行python tools/demo.py image -n yolox-s -c yolox/models/yolox_s.pth --path assets/dog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device gpu。6.之后下载benchmark后面对应的weights放在/home/。/YOLOX/yolox/models/下（还未下完）。
2023-05-14 16:02:15
237
原创 BoT-SORT: Robust Associations Multi-Pedestrian Tracking
是某个轨迹中的平均外观描述i和新的检测描述j之间的一个cosine距离。一、创新点：1.在Bytetrack的基础上，添加了一个相机运动补偿，使得基于检测器的跟踪器性能得以提升。2.更有效地IOU和Re-ID的融合的方法，使得检测和轨迹之间的关联更robost。主要讲的是相机运动怎么计算实现的。作者猜想是因为改进后的KF形成的边界框更为贴合目标的宽度。在本节中，我们提出了对基于多目标跟踪的检测跟踪方法的三个主要改进。是相机在图像平面上的刚性运动投影的良好近似。是预测的边界框i与检测框j之间的距离。
2023-04-20 17:35:43
633
原创 SiamMOT: Siamese Multi-Object Tracking
在最终证明过程中，得出的结论时EMM的性能要比IMM的性能好。##EMM比IMM性能好的原因是：首先，它使用通道无关的相关操作，允许网络显式地学习序列帧中相同实例之间的匹配函数。##、、、、、、###SORT是最新模型的基础，一个更好的运动模型是提高局部连接的性能的关键。之后的模型是学习一个深度学习网络基于是觉得和几何的特征去预测实体的位移。主要工作：1.证明运动模型对跟踪性能的影响（消融实验）2.在三个数据集上进行大量实验，说明运动模型的重要性，并验证本文提出的SiamMOT的高性能。
2023-04-11 10:18:15
156
原创 How To Train Your Deep Multi-Object Tracker（略读）
它的功能是评估objects track 和 ground truth object 之间的联系，从而计算出MOTA和MOTP的可微代理，又反过来用来优化跟踪器。为了将这些编码转化为最终的赋值，文中是将第二阶段的隐藏表示进行三次全连接。动机：平常的评价指标是不可微的，并不能对系统提升有什么影响，所以他想使得MOTA和MOTP可微，从而可以构建合适的损失函数。本文和baseline的架构对比：上面是baseline,下面是本文的。未看懂的地方：B(TP)，IDS，softmax是怎么算的，
2023-04-06 10:41:00
111
转载 Transformer Meets Tracker: Exploiting Temporal Context for Robust Visual Tracking
Transformer这个香饽饽怎么能不用来迁移到目标追踪里呢。我计划对CVPR2021的3篇将Transformer引入目标追踪任务的论文进行分析总结。本篇博客分析TrDiMP/TrSiam。
2023-03-28 10:11:09
170
原创 Global Tracking Transformers
四.在推理过程中，文中是以当前帧中的目标特征作为trajectory query来生成全局轨迹的(在训练过程中query是变化的，是以全部的帧的目标特征作为trajectory query进行训练的。（PA是对关联得分进行了一个sofemax操作，并不影响得分大小，它的作用是让大的值相对更大，小的值相更小）旧轨迹的消失：我们根据轨迹关联分数的最大值和box-trajectory IoU来关联tracks。新轨迹的产生：（接上段）如果与任何先前轨迹的平均关联分数低于阈值θ，就开始新的track。
2023-03-26 15:52:26
460
原创 ByteTrack: Multi-Object Tracking by Associating Every Detection Box
第二次连接，用低分检测框组和Tremain中的track进行相似度计算（由于低分检测框可能存在遮挡、运动模糊和外观特征不可靠，所以采用的是Re-ID），未匹配到的低分检测框会被当做背景删除，再次未匹配到的轨迹放在Tlost中（当连续30帧都没匹配到就会被删除）（Tlost也是轨迹T中的一部分，也参与上述的匹配）20-22。第一次连接，利用的是IoU或者Re-ID特征距离计算高分的检测框组和轨迹中的track之间的相似度,再利用匈牙利算法基于相似度去匹配。图二中，a是检测框的得分；c是第二次连接后的效果。
2023-03-26 14:01:09
152
原创 MEMOT：Multi-Object Tracking with Memory
短期模块是将之前的Ts状态作为V、K，前一状态的作为Q，长期模块是更长的历史状态Tl作为V、K，上一轮的DMAT（Dynamic Memory Aggregation Tokens）作为Q。并根据需要自适应地从内存中参考和聚合有用的信息。3.内存解码模块:以1和2的输出作为query,将第一阶段的encoder后的特征z1作为V、K得到。MOTwith transformer的方法没有长期时空观测值的建模和自适应特征聚合的方法。短期的是为了平滑噪音，长期的是为了于从内存覆盖的时间窗口中提取相关特征。
2023-03-25 16:45:54
394
原创 Unified Transformer Tracker for Object Tracking
能在相同design中在SOT和MOT中跟踪目标的原因（不太懂和UniTrack的不同）：1.在tracking frame 中利用以前的位置信息提供一个小的feature map proposal;三、之前的统一框架：UniTrack是首次尝试（通过共享框架和融合多跟踪头），但由于头部设计和不同任务中训练数据集的差异，未能利用大规模的跟踪数据集进行训练。在AR/VR应用中，跟踪特定的或未见过的实例（例如个人的杯子）是与SOT有关，感知常规类别（例如人）的环境使用MOT相关的。损失函数：（损失函数没细看）
2023-03-24 11:38:23
375
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人