Object Tracking：CenterTrack

已于 2023-05-22 15:40:33 修改
阅读量115 收藏
点赞数
文章标签： 人工智能 深度学习
于 2023-04-03 19:36:05 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/starlight1231/article/details/129667794
版权
本文详细介绍了目标跟踪技术，特别是CenterTrack算法。从概念上区分了密集跟踪和稀疏跟踪，并探讨了相关数据集如MOT2017和KITTI。Stacked Hourglass Networks作为backbone在网络中起到重要作用，而CenterNet在2019年的表现超越了其他主流检测模型。CenterTrack通过结合CenterNet和时间轴点跟踪实现Anchor-Free的目标追踪。
摘要由CSDN通过智能技术生成

：目录

一. 概念

1. 分类

 2. 数据集

3. 上游技术点

二. 第二课

1. Dataset 详解

2. Stacked Hourglass Networks （backbone）

3. CenterNet（2019）

4. CenterTrack

三. 第三课.

1. CenterTrack

2. MOT17

一. 概念

1. 分类

  1. 密集跟踪：连续帧时间域连续跟踪（伪跟踪）
  2. 稀疏跟踪：由 t0 时刻真实位置预测 t0+ dt 时刻位置，只处理预测部分像素（计算量小，不如密集跟踪精准）

 2. 数据集

  1.  MOT2017

3. 上游技术点

  1. CornerNet
  2. Anchor free
  3. Corner Pooling

  1. CenterNet
  2. CenterPooling

二. 第二课

1. Dataset 详解

  • 经典数据集1：MOT : The Multiple Object Tracking benchmark!

版本&#

最低0.47元/天 解锁文章
访风景于崇阿
关注
阅读心得：CenterTrack：Tracking Objects as Points
11-02 5061
CenterTrack阅读心得
CenterTrack简述
今天打卡Leetcode了吗
11-03 1860
引言   早期网络强调追踪时空中感兴趣的目标，虽然快速，简单，但是容易忽略低级的线索（角和高强度峰值）。随着高性能检测器的出现，便出现先检测后追踪模式，将检测和追踪分为两步：首先在每帧中找到所有目标，然后追踪的任务就变成了一个边界框关联。因为给定了检测的结果，只需要关注如何将相同的目标连接起来（轨迹）即可。但是大多数的关联策略都是复杂的，高计算量的。   本文提出了一种基于点的联合检测和跟踪框架，称为CenterTrack，每个对象都由其边界框中心的单个点表示，然后通过时间跟踪这个中心点，如图1所示：  
CenterTrack: 目标跟踪的先进技术
gitblog_00035的博客
03-23 593
CenterTrack: 目标跟踪的先进技术 CenterTrackSimultaneous object detection and tracking using center points.项目地址:https://gitcode.com/gh_mirrors/ce/CenterTrack 项目简介 CenterTrack 是一个基于深度学习的目标跟踪项目，由清华大学计算机科学与技术系的研究...
探索对象追踪新境界：以点为中心的跟踪技术——CenterTrack简介
gitblog_01069的博客
08-09 730
探索对象追踪新境界：以点为中心的跟踪技术——CenterTrack简介 CenterTrackSimultaneous object detection and tracking using center points.项目地址:https://gitcode.com/gh_mirrors/ce/CenterTrack 在深度学习的浪潮中，目标检测与追踪领域迎来了革新。今天，我们聚焦于一个前沿的...
CenterTrack:Tracking Objects as Points
weixin_42923416的博客
12-02 1594
由CenterNet伸展过来，通过在原CenterNet模型上，输入增加4通道(上一帧图像和检测结果)，输出增加2通道(位置偏移)。通过位置偏移和上一帧的对象关联起来，实现多目标跟踪 CenterNet 一个Anchor free的目标检测模型，把目标视为一个点。 当训练时的位置label为以物体中心为均值的高斯分布(方差与物体大小有关)。当存在多个对象时，其label取较大值的那个。因此其labelY∈[0,1]WR×HR×CY\in [0,1]^{{W\over R} \times {H \over R
Improving Multiple Object Tracking with Single Object Tracking
10-24 1371
本论文作者 提出了一个新颖的端到端的可训练MOT，通过对CenterNet拓展一个SOT分支，和其他分支共同实现追踪。使得MOT任务可以受益于SOT强大的辨别能力。但是不同于已知的SOT方法中的从局部背景辨别目标对象，增加的SOT分支对每个目标在线训练一个单独的SOT模型，以将目标与其周围的目标区分开来，并赋予SOT模型新的判别能力。
CorrTracker：Multiple Object Tracking with Correlation Learning
maple的博客
04-12 2000
收录与CVPR2021的一篇多目标跟踪的论文，方法在去年MOT Challenge上就已经是sota，现在也是已经开放论文的方法中精度最高的。
多目标跟踪综述、论文、数据集大汇总 Awesome Multiple object Tracking
weixin_43082343的博客
10-20 2395
今年来多目标跟踪论文、综述、数据集汇总介绍。
Simple Unsupervised Multi-Object Tracking
02-26 552
该方法舍弃了视频数据中的大量标签，选择无标签视频进行一个无监督的ReID网络训练，从而省略了训练时的标签损失。实验中将该网络整合到SORT以及CenterTrack中进行证明了该网络的可行性。
Multi-Object-Tracking-Google-Colab:收集用于多目标跟踪（车辆跟踪，行人跟踪）的文件，代码，笔记本，数据集和其他资源| 谷歌合作
05-11
CenterTrack-跟踪对象为点[ax2004] [pytorch] DEFT：用于跟踪的检测嵌入[ax2102] [pdf] [notes] [pytorch] 身份嵌入 MOTS多对象跟踪和细分[cvpr19] [pdf] [注释] [代码] [项目/数据] 迈向实时多对象跟踪[ax1909] ...
TransTrack的阅读笔记+翻译
小猪猪爱吃饭的博客
03-15 1588
TransTrack: Multiple-Object Tracking with Transformer 标志说明：红色的均为备注，蓝色为重点。 摘要   多目标跟踪（MOT）主要由复杂的多步检测跟踪算法控制，该算法分别执行对象检测，特征提取和时间关联。 单对象跟踪（SOT）中的查询键（query-Key）机制通过前一帧的对象特征跟踪当前帧的对象，具有建立简单的联合检测和跟踪MOT范式的巨大潜力。 但是，由于查询键方法无法检测到新出现的对象，因此很少进行研究。sot的孪生难以监测新出现的对象，这就导致为什
【深度学习】【跟踪MOT】ByteTrack: Multi-Object Tracking by Associating Every Detection Box，论文
q742971636的博客
08-02 703
多目标跟踪（Multi-object tracking，MOT）旨在估计视频中物体的边界框和身份。大多数方法通过将得分高于阈值的检测框进行关联来获取身份。低得分的物体，例如被遮挡的物体，通常被直接丢弃，这会导致丢失真实物体和轨迹碎片化的问题。为了解决这个问题，我们提出了一种简单、有效和通用的关联方法，即通过关联几乎每个检测框而不仅仅是得分高的框。对于低得分的检测框，我们利用它们与轨迹片段的相似性来恢复真实物体，并过滤掉背景检测。
论文精读：FairMOT: On the Fairness of Detection and Re-Identification in MultipleObject Tracking
qq_52053775的博客
05-19 2095
1.提出背景 以往的工作通常将re-ID视为次要任务，其准确性受到主要检测任务的严重影响。因此，网络偏向于主检测任务，这对re-ID任务不公平。 2. 核心思想 将MOT表示为单个网络中目标检测和reid的多任务学习，因为它允许两个任务的联合优化，并且具有较高的计算效率。然而，我们发现这两个任务倾向于相互竞争，这需要仔细处理。特别是，以往的工作通常将re-ID视为次要任务，其准确性受到主要检测任务的严重影响。因此，网络偏向于主检测任务，这对re-ID任务不公平。为了解决这个问题，我们提出了一种基于无锚
UOS AI 1.6 版本升级，如何实现精准搜索，效率翻倍？
vickynesss的博客
11-01 379
通过直接接入互联网的实时数据流，搜索结果变得多样化，不仅限于文字总结，还包括思维导图、事件与人物的综合概述，以及图片、视频、音频等多种形式，显著提高了回答的准确性和全面性。全局搜索全新搭载端侧大模型：支持离线自然语言搜索，无论身在何处，即使没有网络，只需通过快捷键“Shift+space(空格键）”唤醒全局搜索，都能轻松找到所需文件。：对于日常积累的海量截图，只需借助全局搜索功能，简要描述图片内的文字信息，便能迅速锁定并检索到所需图片。：重要信息直接添加到知识库，方便日后查阅，让全局搜索成为你的第二大脑。
基于Keras的U-Net模型在图像分割与计数中的应用
10-31 1954
网络结构优化：项目基于经典的U-Net模型进行改进，采用了更深的网络层次结构，使模型能够在多尺度上捕捉到图像中的细节信息。特别是针对医学图像分割，项目通过增加卷积层数和引入Dropout层来增强模型的特征提取能力，并有效防止过拟合，从而提高模型在训练数据较少情况下的表现。项目中采用了he_normal初始化器和relu激活函数组合，使得网络在训练时能够更快地收敛，降低梯度消失的风险。自定义数据增强策略：在中实现了一个自定义的图像增强类。
如何在 AI 时代打造你的核心竞争力？
玉树芝兰
11-01 266
（注：本文为小报童精选文章。已订阅小报童或加入知识星球「玉树芝兰」用户请勿重复付费）焦虑在《AI 研究已摘得诺奖桂冠，普通科研工作者将何去何从？》一文中我谈过自己对目前 AI 技术浪潮对大众影响的体会——未来已来，只是分布不均。很多人在还没有意识到 AI 带来的变革潜能时，觉得与自己无关，日子该怎么过怎么过，倒也轻松。而一旦突然意识到 AI 的重要性，就会变得焦虑万分。这种焦虑，就是挣扎与思考在外...
基于MATLAB的战术手势识别
最新发布
2401_84801422的博客
11-03 500
模板匹配法：作为最接近人本身对事物的识别的方法，模型匹配法是将传感器输入的原始数据与预先存储的模板进行匹配，通过测量两者之间的相似度来完成识别，相应的，模型匹配法需要大量的基础数据作为匹配对象来确保识别率，所以受到噪声、光照等复杂环境影响较大，并且识别速度慢。手势的完成是一个动态的过程，这个过程包括了手指弯曲引起的手的形状和手在空间中的位置和方位的变化两个方面，在实际识别过程中，根据手势的时间特征，可以将手势分为静态手势和动态手势两种。同时，为训练成果的检验提供了一种更为智能化的方式。
YoloV9改进策略：Block改进|RFE模块，提高小物体的识别精度|即插即用|代码+修改过程
m0_47867638的博客
10-29 396
本文介绍了一种基于YOLOv5的人脸检测方法，命名为YOLO-FaceV2。该方法旨在解决人脸检测中的尺度变化、简单与困难样本不平衡以及人脸遮挡等问题。通过引入一系列创新模块和损失函数，YOLO-FaceV2在WiderFace数据集上取得了优异的表现，特别是在小物体、遮挡和困难样本的检测上。
AI产品经理实战手册：策略、开发与商业化指南
清图出版
10-31 541
通过《AI产品经理手册》，将可以了解不同类型的AI，如何将AI整合到产品或业务中，以及支持创建AI产品或将AI集成到现有产品所需的基础设施。熟悉实践管理AI产品开发流程、评估和优化AI模型，以及应对与AI产品相关的复杂伦理和法律问题等相关知识。通过案例研究和学习，在快速发展的AI和机器学习领域保持领先地位。通过阅读本书，读者将能够从产品角度全面了解AI领域。
tracking::grabimagergbd
07-28
tracking::grabimagergbd 是一个人机交互的跟踪系统，可以实时获取RGBD图像。该系统可以通过传感器捕捉到物体的颜色和深度信息，并将其用于目标跟踪和识别任务。 在跟踪方面，tracking::grabimagergbd 可以通过实时...
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