MOTR: End-to-End Multiple-Object Tracking with Transformer

已于 2024-12-12 11:39:55 修改
阅读量1.5k 收藏 29
点赞数 30
分类专栏： 目标跟踪 文章标签： transformer 深度学习 人工智能 计算机视觉
于 2024-12-11 21:45:33 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_61595251/article/details/144408682
版权

多目标跟踪MOTR: End-to-End Multiple-Object Tracking with TRansformer_目标跟踪_qq_1041357701-开放原子开发者工作坊
https://blog.csdn.net/ZauberC/article/details/124553241

简介：

时间：2021

会议：ECCV

作者：Fangao Zeng, Bin Dong, Yuang Zhang, Tiancai Wang,Xiangyu Zhang, and Yichen Wei

摘要：

扩展了 DETR并引入了 “track query” 来对整个视频中的跟踪实例进行建模

提出了 tracklet 感知标签分配来训练 track 查询和新生对象查询

创新点：

①提出MOTR 完全端到端的 MOT 框架，可以以联合方式隐式学习外观和位置差异

②将 MOT 表述为序列预测集的问题，从之前的隐藏状态生成跟踪查询，用于迭代更新和预测

③ 提出了一种新的标签分配策略TALA，用于训练跟踪查询和新出现对象查询

④提出 TAN ，通过聚合历史状态信息，增强了对长时间序列的建模能力

⑤提出了一种新的损失函数CAL，用于在训练过程中考虑整个视频序列

与DETR对比：

最低0.47元/天 解锁文章
多目标跟踪MOTR: End-to-End Multiple-Object Tracking with TRansformer
12-06 1268
多目标跟踪的关键挑战在于轨迹上目标的时序建模，而现有的TBD方法大多采用简单的启发式策略，如空间和外观相似度。尽管这些方法具有通用性，但它们过于简单，不足以对复杂的变化进行建模，例如通过遮挡进行跟踪。本质上，现有方法缺乏时间建模的能力。这篇论文中，作者提出了MOTR，这是一个真正的完全端到端的跟踪框架。MOTR能够学习建模目标的长程时间变化，它隐式地进行时间关联，并避免了以前的显式启发式策略。
多目标追踪——【Transformer】MOTR: End-to-End Multiple-Object Tracking with TRansformer
qq_42312574的博客
11-02 3225
论文链接：https://arxiv.org/abs/2105.03247通常来讲，虽然目标检测与目标跟踪都是CV领域，但由于下端的根本任务不同，所以直接套用肯定有问题，所以要仔细设计。 可以看到，上图的结构解析如下： 此模块的作用是处理目标的出现和消失等情况。图中的分数表示Head预测追踪目标的分类得分。【目的是为TrackTrackTrack QueryQueryQuery 对轨迹与目标的一对一关系建模。】 TALA 有两种策略，分别对应着DetectDetectDetect QueryQueryQue
MOTR: End-to-End Multiple-Object Tracking with TRansformer
weixin_42714574的博客
03-09 5295
MOTR 论文标题：MOTR: End-to-End Multiple-Object Tracking with TRansformer 论文地址：http://arxiv.org/abs/2105.03247 论文源码：https://github.com/megvii-model/MOTR 收录入CVPR2021 Introduction ​ 这篇论文中，作者提出了MOTR，一个真正的完全端到端的跟踪框架。MOTR能够学习建模目标的长程时间变化，它隐式地进行时间关联，并避免了以前的显式启发式策略
图像 跟踪 - MOTR: End-to-End Multiple-Object Tracking with Transformer (ECCV 2022)
77wpa的博客
07-07 1900
目标的时间建模是多目标跟踪（MOT）中的一个关键挑战。现有方法通过基于运动和基于外观的相似性启发法将检测关联起来进行跟踪。关联的后处理性质防止了视频序列中时间变化的端到端利用。在本文中，我们提出了MOTR，它扩展了DETR[6]，并引入了“跟踪查询”来对整个视频中被跟踪的实例进行建模。跟踪查询逐帧传输和更新，以随着时间的推移执行迭代预测。我们提出了tracklet-aware标签分配来训练跟踪查询和新生目标查询。我们进一步提出了时间聚合网络和集体平均损失来增强时间关系建模。
论文阅读笔记4——MOTR: End-to-End Multiple-Object Tracking with TRansformer(利用Transformer进行多目标跟踪)
wjpwjpwjp0831的博客
11-07 6891
首个完全基于端到端 Transformer 的多目标追踪模型,21年5月上传到arxiv上。 代码：代码  \space  1. Abstract 摘要大概由两部分组成，一是过去启发式算法的缺陷，二是MOTR的基本思路。 他说MOT问题的关键在于时序上的建模。过去的空间和外观相似度的这种启发式算法虽然简单，但是缺乏学习时序上上的变化。 MOTR的基本思路是利用一个叫 “track query” 的东西，每个track query对一个object的整个track建模，它以逐帧的方式去传输
MOTR: End-to-End Multiple-Object Tracking with Transformer 详细解读
ZauberC的博客
05-03 5005
一篇MOT领域基于Transformer的工作，是第一个真正严格意义上端到端的多目标跟踪框架，超越了此前的TransTrack和TrackFormer等工作。后续的GTR也借鉴了此算法。
MOTR: End-to-End Multiple-Object Tracking with TRansformer阅读笔记
风行
11-17 4265
(一) Title 论文地址:https://arxiv.org/abs/2105.03247 代码地址:https://github.com/megvii-model/MOTR 前言：最近有幸看了几篇MOT的工作,感觉目前MOT的工作有一些集中将循环神经网络引入来构建对轨迹的预测，从而实现对遮挡情况的处理,提升性能。然而我自己没有仔细研读过Transformer相关的论文,希望以此为契机,开启循环神经网络在视觉领域的研究。 (二) Summary 当前存在的问题： 多目标跟踪任务之前的做法中,往往是基
YOLOv10：实时端到端目标检测
TJMtaotao的博客，高校计算机教师
05-28 2433
在过去的几年里，YOLO因其在计算成本和检测性能之间的有效平衡而成为实时目标检测领域的主要范例。研究人员对 YOLO 的架构设计、优化目标、数据增强策略等进行了探索，取得了显着进展。然而，后处理对非极大值抑制（NMS）的依赖阻碍了 YOLO 的端到端部署，并对推理延迟产生不利影响。此外，YOLO中各个组件的设计缺乏全面彻底的检查，导致明显的计算冗余并限制了模型的能力。它提供了次优的效率，以及相当大的性能改进潜力。在这项工作中，我们的目标是从后处理和模型架构方面进一步提升 YOLO 的性能效率边界。
ECCV 2022 旷视入选论文亮点解读（上）
旷视开发者技术社区
07-25 1725
近日，欧洲计算机视觉国际会议 ECCV 2022（European Conference on Computer Vision）发布了论文录用结果。本届 ECCV 2022论文有效投稿数5803篇，其中1650篇论文中选，录取率仅为28%。ECCV是国际顶尖的计算机视觉会议之一，每两年举行一次。今年将在10月23日-27日于以色列特拉维夫（Tel-Aviv）举行，并采取线...
MOTR: End-to-End Multiple-Object Tracking with Transformer——使用 Transformer 进行端到端多对象跟踪
最新发布
xiaoxu的博客
12-15 904
之前常用的是启发式的算法来进行跟踪。提出了 MOTR，引入了的概念。track query对整个视频中的跟踪实例进行建模。track query逐帧传输和更新，以随着时间的推移执行迭代预测。是一种隐式的关联方法提出了轨迹感知标签分配来训练轨迹查询和新生对象查询。我们进一步提出时间聚合网络和集体平均损失来增强时间关系建模。取得了良好的效果。这些方法需要基于相似性的后处理匹配，这成为跨帧时间信息流的瓶颈。介绍一个完全端到端的 MOT 框架，具有关联运动和外观建模功能。
【论文速递】ECCV2022 - MOTR：使用Transformer进行端到端多目标跟踪
Never_moresf的博客
02-20 1043
物体的时间建模是多目标跟踪（MOT）中的一个关键挑战。现有的方法通过基于运动和外观相似度启发式来关联检测结果进行跟踪。关联的后处理性质阻止了视频序列中时间变化的端到端利用。本文中，我们提出了MOTR，它扩展了DETR[6]并引入了“track query(跟踪查询)”来模拟整个视频中的跟踪实例。跟踪查询会逐帧地进行传输和更新，以便随时间进行迭代预测。我们提出了跟踪器感知的标签分配方法来训练跟踪查询和新出现的物体查询。我们进一步提出了时间聚合网络和集体平均损失来增强时间关系建模。
【论文速递】CVPR2022 - 全局跟踪Transformers
Never_moresf的博客
01-16 1225
本文提出一种新的基于transformer的全局多目标跟踪体系结构。该网络以短时间的帧序列作为输入，并为所有object产生全局轨迹。其核心组件是global track transoformer，它对序列中所有帧的object进行操作。transformer对所有帧中的对象特征进行编码，并使用 trajectory queries将它们分组为轨迹。trajectory queries是来自单个帧的object特征，自然会产生独特的轨迹。
阅读心得： TransTrack: Multiple-Object Tracking with Transformer
01-11 3459
本文的TransTrack利用了Transformer的思想，提出了一种新的联合检测和追踪的新的模型。
【多目标跟踪学习笔记】基于Transformer的MOT算法对比(TransTrack、TrackFormer、TransCenter、TransMOT、MOTR)
热门推荐
wjpwjpwjp0831的博客
11-19 1万+
最近看了一些基于Transformer的MOT方法，在此进行一下总结。总共看了题目的五个方法，这些方法发表时间顺序为： TransTrack(20.12)------TrackFormer(21.1)-----TransCenter(21.3)-----TransMOT(21.4)-----MOTR(21.5) 这五个方法并不都相似，可分为三类：TransMOT单独一类，因为它用的是graph transformer。TransCenter也是单独一类，因为其用的是中心点(学习热度图)，而不是bbox。两.
【KnowledgeBase】目标追踪模型MOTR论文简要理解
weixin_47691066的博客
07-11 777
简单讲一下《MOTR: End-to-End Multiple-Object Tracking with Transformer》这篇文章的理解。
MOTR论文阅读
m0_54101415的博客
12-28 1231
本来做多目标检测MOT的流程，我自己总结一下是需要结合目标检测（一些候选框之类的）、目标跟踪（可以从时间建模去考虑跟踪的问题，还有时间关联分为外观和运动:外观方差通常通过成对测量，而运动则通过或卡尔曼滤波启发式建模。这些方法需要基于相似度的匹配来进行后处理，这成为跨帧时间信息流的瓶颈）、目标关联等技术。多对象跟踪。主流MOT方法主要遵循tracking-by-detection（TBD）范式。这些方法通常首先使用目标检测器来定位每帧中的目标，然后在相邻帧之间进行跟踪关联以生成跟踪结果。
【MOT】多目标追踪学习笔记之MOTR
Rex大居
02-12 3071
MOTR
TrackFormer: Multi-Object Tracking with Transformers
weixin_46073768的博客
05-30 1984
TrackFormer: Multi-Object Tracking with TransformersAbstract功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 ​​ ​​​​​​​​​​​​ Abstract MOT任务的
自动驾驶中的多目标跟踪：MOTR/MUTR3D
m0_72410588的博客
07-12 1284
MOTR是一种综合运用计算机视觉和深度学习技术的多目标跟踪方法。它通过从传感器（如摄像头）获取的连续图像序列中，检测、识别和跟踪多个目标，以实现对目标的准确定位和运动状态估计。MUTR3D是一种基于3D激光雷达数据的多目标跟踪方法。相比于使用图像数据进行跟踪，MUTR3D通过使用激光雷达扫描点云数据，可以提供更加准确和稳定的目标位置和运动状态信息。
CORTX Motr：面向云服务的高性能分布式存储解决方案
- **cortx-motr-main**：这个文件名表明压缩包中可能包含了CORTX Motr项目的主要源代码或相关文档。文件名中的“main”通常表示主文件或核心文件，这暗示了这个压缩包包含了最核心的资源，例如核心软件代码、安装...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值