曼城的天空是蓝色的-CSDN博客

原创 MOT领域的Sort算法

SORT是一种TBD范式的精简实现，主要针对在线跟踪，即仅将前一帧和当前帧的检测呈现给跟踪器，提出了将卡尔曼滤波器和匈牙利算法相结合的思想，包含由检测、将对象状态传播到未来帧、将当前检测与现有对象数据关联，以及管理跟踪对象的存在周期等关键组件，尽管该算法于2016年提出，但在2024年的今天依旧有很大意义。

2024-05-08 16:04:53 188 1

深度学习擅长捕捉欧几里得数据（图像、文本、视频）的隐藏模式。但是，如果是从非欧几里的域生成数据，对象之间具有复杂关系和相互依赖关系的图形就需要GNN和是多目标跟踪(MOT)系统的关键组成部分，对于目标检测来说，有很多种方法进行解决，有时候会应用GCN, 但GNN一般还是用来解决数据关联问题，数据关联问题的核心难点在于：1）遮挡给物体帧与帧之间的数据关联带来不小的挑战；2）长时间下的数据关联也会遇到困难。

2024-04-20 14:40:11 439

原创新能源汽车的统计测度研究

在当今时代，新能源汽车的采用和市场增长成为一个令人着迷的趋势，特别是与传统能源汽车相比。为了突出其影响和潜力，让我们探讨一个令人信服的例子，说明新能源汽车的推广如何成为未来的灯塔。通过采用熵权法确定发展水平指标权重，利用皮尔逊系数和多元线性回归分析探讨影响变量对新能源汽车发展水平的显着性和影响程度。为了预测新能源汽车发展水平指标的权重。使用第一步中开发的模型预测未来十年的影响因素。本预测利用灰色预测和增强型自回归率模型对新能源未来发展水平进行预测未来十年的车辆。转变为全球视角。

2024-04-13 17:11:26 1962 1

原创将GNN求解的最小流算法应用于多目标跟踪

在这项工作中，利用经典的MOT网络流公式来定义一个基于消息传递网络(mpn)的完全可微框架。通过直接在图域上操作，可以在整个检测集上进行全局推理并预测最终解决方案。在MOT的图方法中，一个节点表示一个对象检测，一条边表示两个节点之间的连接。活动边表示两个检测属于同一轨迹。解决MOT图划分任务，即寻找活动边或轨迹的集合，也可以分解为两个阶段。首先，为图中的每条边分配一个成本，编码属于同一轨迹的两个检测的可能性。然后，在图优化框架内使用这些成本来获得最优图分区。

2024-04-13 16:12:40 737 1

原创用于多目标跟踪的图网络

一些方法将 MOT 问题表述为图优化问题，然而这些方法均基于，不会更新。这些图模型将MOT问题表述为最小成本网络流优化问题。当节点或边所包含的信息过时时，这些静态图模型将失败。因此产生了需要更新和来提高性能需求，此外，这些静态图形模型不会为对象之间的全局交互进行建模为了解决这些问题，设计了一种具有端到端图网络的近在线MOT方法。由于和是处理MOT问题的基本线索。因此设计了两种图网络，即外观图网络和运动图网络，分别使用外观特征和运动特征作为节点属性，同时考虑了对象之间的。

2024-03-23 12:48:46 885 3

原创基于图神经网络的联合目标检测与多目标跟踪

和是多目标跟踪(MOT)系统的关键组成部分。尽管这两个组件是相互依赖的，但以前的工作通常是分别设计检测和数据关联模块，并根据不同的目标进行训练。因此无法反向传播梯度并优化整个MOT系统，使用这种单独优化过程，不能在整个MOT系统中反向传播误差，也就是说，每个模块只朝着自己的进行优化，而不是朝着MOT的目标进行优化。因此，在之前的工作中使用的这种单独的优化过程通常会产生次优性能为了解决联合MOT问题，尽管前人已经提出了一些方案，但单个对象/轨道/管道提取的特征彼此独立，并且忽略了对象-对象关系。但这种。

2024-03-17 11:12:01 1118 1

原创将提案分类器应用于多目标跟踪

本文提出了一种简单但有效的方法，以数据驱动的方式解决 MOT 问题。通过两个关键模块设计MOT算法：（1)提案生成（2)图卷积网络(GCN)的建议评分。(a) 给定一组连续帧和检测的轨迹作为输入(b) 构建一个图来对数据关联问题进行建模。图中的节点表示检测/轨迹，边表示节点之间的可能链接，不同颜色的节点表示不同的对象。基于亲和图生成一组提案，其中包含完整的轨迹集，以完全覆盖每个单独的对象，但也可能有多个带有污染的轨迹集的建议(如多个不同对象合并到同一提案中)。

2024-01-22 21:07:39 1179

原创用图形层次结构统一短期和长期跟踪

在高度精确的目标检测下，通常数据关联发生在相邻帧之间，即短期关联，简单的线索即可得到较好的结果，但缺乏长期身份保存的鲁棒性由于遮挡、拥挤等，迫使在遥远的时间帧中执行检测之间的关联，即长期关联，但需要更充分的线索和繁杂的步骤，且可扩展性有限由于任务性质不同，用于短期关联的解决方案往往在长期场景中失败，大多数最先进的跟踪器使用组合方法来跟踪不同的时间跨度，因此可以被认为是多级跟踪器。但依旧存在两个限制：（1）可扩展性，当增加要连接的检测之间的时间间隔，由于显著的外观变化和位移，关联变得更加模糊。

2024-01-19 16:57:33 943 1

原创可学习图匹配:将图分类和深度特征学习结合应用于多目标跟踪

与之前的工作不同点在于，这篇认为要做到更好的匹配效果不仅仅需要建模帧间目标的关系，轨迹和帧内检测之间的关系也需要做一个建模。另外一个点是在原来的图数据关联方法中提取特征的网络是分开的，而这篇文章将其和匹配联合在一起做优化。

2024-01-18 13:57:30 835 1

原创 ByteTrack:通过关联每个检测框实现多目标跟踪

目录1、主要意义2、核心算法3、同其他数据关联方法的比较4、应用于其他的跟踪器5、结论1、主要意义MOT的大多数方法主要集中于提取高于阈值（一般为0.5）的检测框然后再将其与轨迹相关联，众多算法的目的都集中于提取和关联的算法，而检测值较低的检测对象其中固然有识别错误的，但也有一些由于遮挡等被遗漏的，因此本文提出了一个Byte方法，提取了几乎所有检测值的检测框，使用跟踪器通过利用它们的相似性来恢复真实对象并过滤掉背景检测，在此基础上本文又提出一个ByteTrac

2024-01-15 22:49:38 469 1

原创将简单的线索应用于强大的多目标跟踪器

MOT旨在识别并追踪视频中所有运动物体的轨迹。该领域长期以来一直通过检测跟踪，它将跟踪分为两个步骤：（i）逐帧对象检测，（ii）数据关联以链接检测和形成轨迹。逐帧匹配通常由外观、再识别 (reID) 特征或运动线索等线索驱动。而如何高效并准确地利用线索则是重中之重，这里将提出一个简单的基于匈牙利算法的跟踪器，该跟踪器具有外观和运动线索，在多个基准上占主导地位，甚至不需要任何跟踪数据进行训练（reID）匈牙利算法：本质是将前一帧与当前帧中的识别信息进行关联计算距离，知乎上的一篇帖子很贴切地进行了解释。

2024-01-15 22:48:45 1139

原创关于MOT常见数据集和评价指标的总结

Association IoU，通过将预测检测和地面实况检测匹配在一起（如匈牙利匹配）并测量该预测检测的整个轨迹与地面实况检测的整个轨迹之间的对齐情况来衡量，真阳性关联（TPA）为两条轨道之间的交集可以测量为两条轨道之间的真阳性匹配次数，误报关联（FPA）是预测轨迹中的任何剩余检测，假阴性关联（FNA）是真值轨迹中的任何剩余检测。Det-IoU为Detection IoU，需要定义一个定位阈值（一般为0.5），大于阈值即检测相交，通过相交面积（TP）与总面积（所有检测的并集）之比求得，

2024-01-15 22:45:56 1630

原创多目标跟踪:文献综述

多目标追踪的任务主要是对象的定位和和识别，以及轨迹的追踪，纵观全篇综述，目前MOT还是更广泛地集中在行人，这与用途和技术难度有关。同SOT相比，MOT不仅有确定对象数量，保持轨迹的问题，还有其他关键问题如：1)频繁的遮挡，2)轨道的初始化和终止，3)相似的外观，4)多个对象之间的交互。大多数情况下DFT与在线跟踪相同，都是按顺序处理，但也有例外，总体来说，没有太多关联性，使用哪种初始化方法和处理模式只取决于应用于环境。同时还存在有其他分类和方法。

2023-10-29 21:49:26 225 1

qq_73966123的博客