MOT
tubai_record
这个作者很懒,什么都没留下…
展开
-
论文框架流程_6
Online Multi-Target Tracking Using Recurrent Neural Networks第一个端到端在线目标追踪学习方法;多目标跟踪挑战目标没有先验知识并且随时间变动;对当前所有目标的持续状态估计;数据关联的离散组合问题;框架划分一部分为状态估计和更新、目标存在概率估计;另一部分数据融合;...原创 2020-10-03 11:56:59 · 360 阅读 · 2 评论 -
论文框架流程_5
TRAJECTORY FACTORY: TRACKLET CLEAVING AND RE-CONNECTION BY DEEP SIAMESE BI-GRU FOR MULTIPLE OBJECT TRACKING论文重点针对对象识别重叠的画面可能造成的跟踪错误,对tracklet进行三步处理:生成——截断——重连接;使用Deep Siamese Bi-GRU 完成截断和重连接模型的训练;Generating使用Siamese-CNN network生成tracklet;检测到的包围盒表示(t时刻帧原创 2020-09-30 16:33:16 · 310 阅读 · 0 评论 -
论文内容整理_4
REAL-TIME MULTIPLE PEOPLE TRACKING WITH DEEPLY LEARNED CANDIDATE SELECTION AND PERSON RE-IDENTIFICATION针对问题:不可靠检测结果和已有tracks的关联;适用场景:On-line(real-time),tracking-by-detection框架分两部分:candidate选择、数据关联;candidates selection候选人X的分数计算:1(·)为真输出1否则输出0;classf原创 2020-09-29 17:30:32 · 170 阅读 · 0 评论 -
论文框架流程_3
A Robust Multi-Athlete Tracking Algorithm by Exploiting Discriminant Features and Long-Term Dependencies问题描述:追踪视频中的运动员,背景为运动赛事解说和分析;场景特点:人员固定,人员活动频繁,人员活动的速度比较固定,同队人员外观十分相似,队内不同角色的姿势有较大不同;论文主要内容:将Pose信息融入外观、运动和交互的评分;利用AlphaPose的方法,针对关节进行比对,减少噪音影响和遮原创 2020-09-28 10:07:32 · 141 阅读 · 0 评论 -
论文内容描述_1
《Data association for multi-object tracking via deep neural networks》(2019)分为encoder和decoder;将数据关联问题描述为匹配detection和track,约束为一对一;为了解决FP(误报)和FN(漏报)的问题,关联矩阵应为(M+N)*(M+N);论文为了简化使用关联矩阵为M*(N+1);encoder的input为一组边界盒对[detection-track];decoder的output为score矩阵,通原创 2020-09-25 14:18:18 · 287 阅读 · 0 评论 -
论文框架流程_2
Multi-target tracking using CNN-based features: CNNMTT(2019)先验知识:行人以群类分(独自走的行人自成一组),以组中心更好地估计行人在下一帧的位置;训练CNN方法SGD(随机梯度下降);实验数据集:MOT16;总流程:使用Faster R-CNN在MOT16上的结果;计算cost graph,cost graph代表匹配对象和track的cost:apperance通过CNN提取,分别获取对象和track的特征,然后计算P(a原创 2020-09-27 11:53:16 · 225 阅读 · 0 评论