果蔬君啊-CSDN博客

原创 DiffMOT: A Real-time Diffusion-based Multiple Object Tracker with Non-linear Prediction代码详解-1

封装了前向加噪、从有噪状态反推无噪信号的若干数学运算、训练损失，以及从噪声采样回到干净样本的采样流程。这是一个。

2025-10-20 18:06:47 947

原创 Transformer的注意力机制中的位置编码positional embedding的思考

Transformer 通过它就能“感知”到不同特征之间的位置差异。Transformer 在学习时就能“感知到”特征顺序/空间位置了。就像给每个位置分配了一种“声纹”或“指纹”，模型自然能区分出来。——因为注意力机制是“无序”的（不像卷积或RNN那样有顺序）。Transformer 自身只知道这两个“点的特征”，假设每个特征向量的维度是 d=4d = 4d=4，“这个特征在第1个位置，那个在第2个位置”，即使某一维的数值“碰巧”加出了相同结果，这样每个维度对应一个不同的“频率”。

2025-10-09 15:48:13 885

原创 DiffusionMOT中的并行采样技术

传统DDIM：一条路走到底，必须按顺序算 → 慢。Picard并行采样：先同时算很多步，再拼接修正 → 可以并行 → 快。滑动窗口：分段并行，避免内存爆炸 → 保持速度又省资源。最终效果：在DiffusionMOT中，用并行采样替代串行DDIM采样，在几乎不损失精度的情况下，大幅度提高推理速度。T/k。

2025-09-29 17:18:43 275

原创 DiffusionMOT: A Diffusion-Based Multiple Object Tracker论文解读-1

本文提出了一种基于扩散模型的多目标跟踪器DiffusionMOT，通过混合IoU和ReID匹配、轨迹二次校准和并行采样等技术，显著提升了跟踪性能。该工作将扩散模型同时应用于检测和关联阶段，提出自适应混合距离计算方法解决误匹配问题，设计双线性两阶段匹配流程保留潜在信息，并引入并行采样模块加速推理。实验表明，DiffusionMOT在多个基准测试集上达到SOTA性能，同时保持较高推理速度。

2025-09-29 17:09:39 1191

原创多目标跟踪中的关联匹配方法

其实是一个经典的的优化求解方法，它的主要应用就是在多目标跟踪（MOT）中，用来把和进行一一匹配。输入：一个，其中行表示预测轨迹列表示检测框元素表示轨迹 i和检测框 j的匹配代价（如 1−1-1−IoU 或者外观距离 ReID embedding 的余弦距离）。目标：在所有可能的匹配方式中，找到一种一一对应，使得（或总相似度最大）。这就是典型的方法。它在每一步找到一个（augmenting path），并逐渐改进当前匹配，直到找到最优解。关键优化：用。

2025-09-25 15:16:58 612

原创 SportsMOT解压出现error: invalid zip file with overlapped components (possible zip bomb)

Linux 下Ubuntu 20.04环境。

2025-09-23 20:46:14 203

原创 DiffMOT: A Real-time Diffusion-based Multiple Object Tracker with Non-linear Prediction论文详解

本文提出DiffMOT算法，针对多目标跟踪中的非线性运动问题，创新性地引入扩散概率模型。通过设计解耦扩散运动预测器(D2MP)，将运动预测建模为生成任务，利用历史运动信息指导去噪过程，实现高效准确的非线性运动预测。在DanceTrack和SportsMOT数据集上分别达到62.3%和76.2%的HOTA指标，FPS达22.7。实验表明，该方法在保持实时性的同时，显著提升了非线性运动场景下的跟踪性能，验证了扩散模型在运动建模中的优势。

2025-09-23 11:19:04 1403

原创 python.exe: can‘t open file ‘C:\\WINDOWS\\system32\\create‘: [Errno 2] No such file or directory

查询资料后知，在这个地方不应该导入python.exe文件，应该导入。安装目录下的\Anaconda\Scripts\。

2025-05-13 14:38:15 1146 1

m0_51099517的博客