ECCV2024 Tracking 汇总

最新推荐文章于 2024-11-29 17:20:26 发布
最新推荐文章于 2024-11-29 17:20:26 发布
阅读量1.8k 收藏 32
点赞数 29
文章标签： 计算机视觉 人工智能 目标跟踪 深度学习 笔记
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/qq_34919792/article/details/142993421
版权

一、OneTrack: Demystifying the Conflict Between Detection and Tracking in End-to-End 3D Trackers

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/01174.pdf
在这里插入图片描述在这里插入图片描述

在这里插入图片描述




二、VETRA: A Dataset for Vehicle Tracking in Aerial Imagery

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/11352.pdf
在这里插入图片描述
在这里插入图片描述




三、MapTracker: Tracking with Strided Memory Fusion for Consistent Vector HD Mapping

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/00926.pdf
在这里插入图片描述




四、Boosting 3D Single Object Tracking with 2D Matching Distillation and 3D Pre-training

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/01900.pdf
在这里插入图片描述




五、Tracking Meets LoRA: Faster Training, Larger Model, Stronger Performance

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/00113.pdf
在这里插入图片描述

在这里插入图片描述





六、Omni6DPose: A Benchmark and Model for Universal 6D Object Pose Estimation and Tracking

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/09574.pdf
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述




七、SPAMming Labels: Efficient Annotations for the Trackers of Tomorrow

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/01927.pdf
在这里插入图片描述




八、Empowering Embodied Visual Tracking with Visual Foundation Models and Offline RL

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/09241.pdf
在这里插入图片描述

在这里插入图片描述




九、Decomposition Betters Tracking Everything Everywhere

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/09112.pdf
在这里插入图片描述

在这里插入图片描述




十、Track2Act: Predicting Point Tracks from Internet Videos enables Generalizable Robot Manipulation

paper： https://eccv2024.ecva.net/virtual/2024/poster/2120
在这里插入图片描述
在这里插入图片描述




十一、Walker: Self-supervised Multiple Object Tracking by Walking on Temporal Appearance Graphs

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/01205.pdf
在这里插入图片描述

在这里插入图片描述




十二、BlinkVision: A Benchmark for Optical Flow, Scene Flow and Point Tracking Estimation using RGB Frames and Events

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/08381.pdf
在这里插入图片描述




十三、3D Single-object Tracking in Point Clouds with High Temporal Variation

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/01145.pdf
在这里插入图片描述

在这里插入图片描述




十四、Beyond MOT: Semantic Multi-Object Tracking

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/05182.pdf
在这里插入图片描述

在这里插入图片描述




十五、PapMOT: Exploring Adversarial Patch Attack against Multiple Object Tracking

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/06758.pdf
在这里插入图片描述

在这里插入图片描述




十六、SemTrack: A Large-scale Dataset for Semantic Tracking in the Wild

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/03555.pdf
在这里插入图片描述




十七、Enhancing Tracking Robustness with Auxiliary Adversarial Defense Networks

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/06271.pdf
在这里插入图片描述
在这里插入图片描述




十八、JDT3D: Addressing the Gaps in LiDAR-Based Tracking-by-Attention

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/08296.pdf
在这里插入图片描述
在这里插入图片描述




十九、Diff-Tracker: Text-to-Image Diffusion Models are Unsupervised Trackers

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/04096.pdf
在这里插入图片描述
在这里插入图片描述




二十、CoTracker: It is Better to Track Together

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/07890.pdf
在这里插入图片描述

在这里插入图片描述




二十一、TAPTR: Tracking Any Point with Transformers as Detection

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/02422.pdf
在这里插入图片描述
在这里插入图片描述




二十二、DINO-Tracker: Taming DINO for Self-Supervised Point Tracking in a Single Video

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/03799.pdf
在这里插入图片描述在这里插入图片描述




二十三、TAPTR: Tracking Any Point with Transformers as Detection

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/03799.pdf
在这里插入图片描述




二十四、Trackastra: Transformer-based cell tracking for live-cell microscopy

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/09819.pdf
在这里插入图片描述
在这里插入图片描述




二十五、Local All-Pair Correspondence for Point Tracking

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/01595.pdf
在这里插入图片描述

在这里插入图片描述




二十六、Self-Supervised Any-Point Tracking by Contrastive Random Walks

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/02209.pdf
在这里插入图片描述
在这里插入图片描述




二十七、Large-Scale Multi-Hypotheses Cell Tracking Using Ultrametric Contours Maps

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/10114.pdf
在这里插入图片描述




二十八、SLAck: Semantic, Location, and Appearance Aware Open-Vocabulary Tracking

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/03832.pdf
在这里插入图片描述
在这里插入图片描述




二十九、EgoBody3M: Egocentric Body Tracking on a VR Headset using a Diverse Dataset

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/10261.pdf
在这里插入图片描述

在这里插入图片描述




三十、Lost and Found: Overcoming Detector Failures in Online Multi-Object Tracking

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/09351.pdf
还是sort框架，把brith and kill给网络化了
在这里插入图片描述

在这里插入图片描述




三十一、Track Everything Everywhere Fast and Robustly

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/00418.pdf
在这里插入图片描述

在这里插入图片描述




三十二、Exploring the Feature Extraction and Relation Modeling For Light-Weight Transformer Tracking

paper： https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/04168.pdf
在这里插入图片描述
在这里插入图片描述

藏晖
关注
ECCV 2024 | 超越传统多目标跟踪：语义多目标跟踪
小白学视觉
01-05 138
当前的多目标跟踪（MOT）旨在预测视频中目标的轨迹（即“在哪里”）。然而，在许多关键应用中，仅仅知道“在哪里”是不够的。相比之下，从视频中理解与“在哪里”相关联的语义细节，如细粒度行为、交互和总体总结的字幕（即“是什么”），对于全面的视频分析是非常期望的。因此，作者引入了语义多目标跟踪（SMOT），旨在估计对象轨迹，同时理解与轨迹相关的语义细节，包括实例字幕、实例交互和整体视频字幕，将“在哪里”和“是什么”集成在一起进行跟踪。为了促进SMOT的探索，作者提出了BenSMOT，这是一个大规模的语义MOT基准。
年视觉目标追踪论文汇总：CVPR、ECCV、ICCV中的目标跟踪研究
ZgnObjectivec的博客
09-14 315
综上所述，CVPR、ECCV和ICCV这些计算机视觉会议中的目标跟踪论文提供了许多创新的方法和技术。上述论文的源代码实现可在各自的论文中找到，为研究者和开发者提供了实现和进一步研究的基础标题：年度视觉目标追踪研究：CVPR、ECCV、ICCV论文汇总与源代码。这些论文提供了各种创新的方法和技术，为目标跟踪领域的研究和应用提供了重要的参考。本论文提出了DeepSORT，一种基于深度学习的在线实时跟踪方法，结合了目标检测和重新识别技术。该论文提出了一种基于级联区域建议网络的孪生网络，用于实时目标跟踪。
基于transformer的单目标跟踪算法学习笔记
zhangzhao147的博客
08-02 4504
目前主流的跟踪方法是基于transformer，而主要方向是1.language-vision tracking 2.人体姿态变化的跟踪3.3d目标跟踪 4.轻量化网络用于无人机端 5.无监督学习＋transformer 6.基于diffusion的目标跟踪 7.大模型辅助sot。
**标题**: 探索DINO-Tracker的魔力: 开源界的自监督视频点追踪新星
gitblog_00038的博客
06-22 1546
标题: 探索DINO-Tracker的魔力: 开源界的自监督视频点追踪新星 项目地址:https://gitcode.com/gh_mirrors/di/dino-tracker 在计算机视觉领域，尤其是物体检测与跟踪中，一个创新的开源项目正引领着新一轮的技术革新——DINO-Tracker。本文旨在深入挖掘这个强大工具背后的理念、技术核心及其在实际场景中的应用潜力，为开发者和研究者提供一份全面的...
51c视觉~合集2
whaosoft~aiotの开发板商城
11-03 1346
最近，对三维世界的理解引起了越来越多的关注。然而，现有三维视觉语言数据集和方法通常仅限于特定任务，限制了多场景适用性。为此，我们介绍M3DBench，这是一个专为复杂三维环境设计的多模态指令数据集，包含32万个指令-响应对，支持文本、点击、图像等多模态输入。我们还建立了评估模型在理解这些指令性能的新基准，旨在推动三维领域的MLM研究。
从零开始讲解LoRA——大语言模型的PEFT(Parameter-Efficient Fine-Tuning)系列
2301_79093491的博客
01-17 1953
通过这种方式，可以使预训练模型在下游的微调任务当中，不用去学习全量的训练参数，因此大大降低了模型的训练参数量，同时降低了GPU内存的需求。LoRA的主要思想是在预训练模型的每一层中保持训练前权重不变，同时在每一层中注入可训练的秩分解矩阵，从而大大减少了针对下游任务的可训练参数数量。与模型质量相当或更好的表现：尽管LoRA具有较少的可训练参数、更高的训练吞吐量和与适配器不同的无额外推理延迟，但在RoBERTa、DeBERTa、GPT-2和GPT-3上的表现与完全微调相当或更好。的参数量为d*k个。
Ubuntu24.04配置DINO-Tracker
SharbbyBai的博客
11-29 1535
记录 Ubuntu 配置的第一个代码过程。
ECCV 2020 Oral 论文汇总！
OpenCV中文网
07-07 8559
ECCV 2020论文已公布，本届 ECCV 共收到有效投稿5025篇，接收1361篇，其中Oral论文 104 篇，仅占 2%。本文汇总截止今日所有Oral 论文，其中已经公布完整论文...
CVPR,ECCV,ICCV14-17年视觉目标追踪论文汇总
u014553172的博客
01-03 3207
近三年来计算机数据三大顶会有关单目标视觉追踪的文章汇总 2017CVPR CVPR-17-1-Superpixel-Based Tracking-By-Segmentation Using Markov Chain CVPR-17-2-BranchOut: Regularization for Online Ensemble Tracking With Convolutional Neura
目标跟踪论文代码汇总
如果想成为中心，那么就到中心去吧。
07-21 1230
近年来，分割任意模型（SAM）因其对图像分割性能而迅速获得了广泛的关注。由于其较强的图像分割能力和不同提示的高交互性，我们发现其在视频一致性分割效果较差。因此，在本报告中，我们提出了跟踪任何事物模型（TAM），它可以在视频中实现高性能的交互式跟踪和分割。详细地说，给定一个视频序列，只有很少的人类参与，也就是说，几次点击，人们可以跟踪任何他们感兴趣的东西，并在本体推理中得到令人满意的结果。没有额外的训练，这种交互式设计执行的视频对象跟踪和分割令人印象深刻。
最新3D目标检测文章汇总（包含ECCV20和ACMMM20）
3D视觉工坊
08-10 552
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达前言3D目标检测在ECCV20的文章中呈现依旧火热的研究趋势，本文对目前笔者看到过的ECCV20和ACM MM20的3D目标检测文章...
DINO-Tracker 项目使用教程
gitblog_00032的博客
04-08 606
DINO-Tracker 项目使用教程 dino-tracker Official Pytorch Implementation for “DINO-Tracker: Taming DINO for Self-Supervised Point Tracking in a Single Video” ...
OneTrack 方法
u012329294的专栏
10-07 6096
1、抽取接口 2、静态注册 3、订阅分发 4、数据表驱动 5、拆分函数 6、拆分任务 7、构建编译 8、特性宏
《Suppress with a Patch: Revisiting UniversalAdversarial Patch Attacks against Object Detection》论文分享
DTGshaodow的博客
03-26 983
特别是，我们评估的补丁大小和初始化方法的影响。为了实现位置不可知的补丁，我们评估了三种可能的补丁放置策略：将补丁放置在一个固定的位置，动态窗口的方法，和随机补丁放置。我们对不同的补丁生成参数进行了深入的分析，包括初始化，补丁大小，特别是在训练过程中在图像中定位补丁。实验表明，在训练过程中，在一个大小不断增加的窗口内插入一个补丁，与固定位置相比，可以显著增加攻击强度。我们研究了在训练期间定位补丁的三种方法：（1）将补丁放置在图像中心的固定位置，（2）动态窗口方法，以及（3）在整个输入图像上随机放置补丁。
ECCV 2024 | 跟踪一切！不惧遮挡！DINO-Tracker：驯服DINO进行自监督点跟踪
阿木寺的博客
07-16 487
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【Mamba/多模态/扩散】交流群添加微信：CVer5555，小助手会拉你进群！扫描下方二维码，加入CVer学术星球！可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，及最前沿应用！发论文/搞科研/涨薪，强烈推荐！转载自：深蓝AI 编译：阿豹 |审核：Los论文标题：DINO-Tracker: ...
效果不错的论文介绍：Im2Flow2Act:-跨领域机器人操控技术
jiayoushijie的博客
10-16 1166
本文提出了一种可扩展的学习框架——，使机器人能够从多种数据源中学习操控技能。的核心思想是使用物体流作为操控接口，弥合不同体现形式（如人类与机器人）以及训练环境（如现实世界与模拟环境）之间的领域差距。流生成网络和流条件策略。流生成网络通过人类演示视频生成物体流，该流基于初始场景图像并结合任务描述进行生成。而流条件策略则利用模拟的机器人训练数据，将生成的物体流映射为机器人的动作，从而实现对目标物体的操控。通过使用物体流作为输入，这种策略可以以最小化的模拟到真实差距直接应用于现实环境。
CVPR2024 Tracking 汇总
藏晖的博客
06-30 5749
大模型辅助总结。
从客制化到产品化：ToB软件公司在经济寒冬中的生存指南
Agilean 的博客
08-19 1188
????点击蓝字 关注我们前言经济的冬天蕴藏着企业软件的春天在近两年的市场低迷中，"寒气"已经渗透至每个个体和企业，企业软件圈也是哀嚎一片，大家都处在一个不得不卷的痛苦状态。虽然大部分人不乐观，但我认为经济寒冬反而可能催生出更多ToB产品，为什么？第一点，在预算紧缩的大环境下，传统的项目制开发模式变得难以为继，客户给的钱可能覆盖不了企业的成本，项目做一个亏一个。这迫使软件公司不得不转向产品模式，通过...
ECCV 2024 | TAPTR：让跟踪最细粒度的视觉元素像检测一样简单
阿木寺的博客
07-30 308
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【Mamba/多模态/扩散】交流群添加微信号：CVer111，小助手会拉你进群！扫描下方二维码，加入CVer学术星球！可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，及最前沿应用！发论文/搞科研/涨薪，强烈推荐！TAPTR & TAPTRv2: 让追踪最细粒度的视觉元素像检测一样简单本文介绍...
ECCV 2024 视觉重建
最新发布
12-29
### 参与ECCV 2024关于视觉重建的研究或会议 #### 研究论文和主题概述 欧洲计算机视觉国际会议（ECCV）是一个重要的学术活动，专注于计算机视觉领域最新的研究进展。对于即将举行的ECCV 2024，预计会有大量涉及视觉重建方面的高质量研究工作被提交并讨论。 视觉重建是指通过图像或其他形式的数据来恢复三维场景结构的过程，在此过程中可能涉及到多种技术和算法的应用。具体来说，该领域的研究可以分为几个主要方向： - **多视角几何**：利用来自不同角度拍摄的一系列二维图片构建物体或环境的三维模型[^1]。 - **单目深度估计**：仅依靠一张照片预测其对应的深度图，从而实现简单的3D建模效果。 - **光场成像技术**：捕捉光线的方向信息以获得更精确的空间感知能力。 - **基于学习的方法**：采用机器学习尤其是深度神经网络来进行高效的特征提取以及复杂的映射关系建立。 为了更好地准备参加此类高水平的专业论坛，建议关注以下几个方面的工作： - 浏览往届ECCV及其他顶级会议上发表的相关文章，了解当前最前沿的技术趋势和发展动态； - 探索开源项目库中的实际案例分析，加深对理论知识的理解程度； - 积极参与到在线社区和技术交流平台上的讨论当中去，与其他研究人员分享见解、解决问题共同进步。 ```python import numpy as np from skimage import io, color from matplotlib import pyplot as plt def load_image(file_path): img = io.imread(file_path) gray_img = color.rgb2gray(img) return gray_img image_data = load_image('example.jpg') plt.imshow(image_data, cmap='gray', interpolation='nearest') plt.show() ``` 上述代码展示了如何加载并显示灰度化处理后的测试图像，这一步骤通常作为后续预处理的基础操作之一用于各种类型的视觉重建任务之中。
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