基于GNN的3D MOT和轨迹预测联合框架论文阅读

最新推荐文章于 2024-09-21 14:30:00 发布
最新推荐文章于 2024-09-21 14:30:00 发布
阅读量1.3k 收藏 8
点赞数
分类专栏： MOT相关 文章标签： 算法
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/xyq1212/article/details/107635795
版权
本文提出一种结合图神经网络（GNN）和多样性采样的联合3D追踪和预测框架，通过GNN增强特征表示，改善数据关联的准确性，同时采用多样性采样提升轨迹预测的多样性和质量。实验表明，该方法在3D MOT和轨迹预测上取得最新性能。
摘要由CSDN通过智能技术生成

Joint 3D Tracking and Forecasting with Graph Neural Network and Diversity Sampling

系统结构图
论文下载地址
这篇文章联合训练3D追踪和预测网络，同时完成追踪和预测任务，本篇读书笔记主要研究MOT任务。

本文仅仅使用了运动特征，没有使用表观特征。本文使用双层LSTM获取历史轨迹的运动特征，双层MLP获取识别结果的运动特征，使用两层GNN网络融合节点特征，GNN网络的特征融合不独立计算，最终使用匈牙利算法得到匹配结果。

亮点：

  • 与AB3DMOT相比，追踪过程加入了神经学习网络，使用LSTM和MLP获取运动特征，并使用GNN进行特征聚合，获得更好的特征表示，使相互关联的节点相似度更高，不是相互关联的节点的相似度更低，得到更好的可区分的特征，使数据关联任务的输入更加精确。
  • 预测和追踪的联合训练，我重点关注的是追踪任务，没有详细看预测任务

本文主要

最低0.47元/天 解锁文章
xyq1212
关注
专栏目录
从点云中学习？Open3DSG的开放词汇三维场景图表示
3D视觉工坊
02-23 66
点击下方卡片，关注「3D视觉工坊」公众号选择星标，干货第一时间送达来源：3D视觉工坊添加小助理：dddvision，备注：三维点云，拉你入群。文末附行业细分群论文题目：Open3DSG: Open-Vocabulary 3D Scene Graphs from Point Clouds with Queryable Objects and Open-Set Relationships作者：Seba...
目标检测YOLO实战应用案例100讲-基于激光雷达点云的交通场景 三维车辆目标检测与跟踪算法研究
qq_36130719的博客
07-12 1753
自动驾驶作为前沿科技与汽车制造业、交通出行行业等融合发展的产物，被各国 上升至国家战略高度[1,2]。迈入“十四五”阶段，我国密集部署“新基建”政策并将自 动驾驶作为其中的一项重要内容，持续完善的行业标准与监管法规正推进自动驾驶技 术由测试验证转向多场景示范应用的新阶段。自动驾驶系统涵盖环境感知、目标定位、 行为决策和运动控制等关键技术[3]，其中环境感知技术是指利用相机、激光雷达、IMU、 毫米波雷达等多种传感器对道路信息和障碍物状态进行感知，为后续的行为决策与车 辆控制提供基础支撑。
2D/3D MOT调研总结及归纳
xyq1212的博客
07-24 1244
两种主流方式 Re-ID+Kalman过滤器（预测、更新）+匈牙利算法 GNN方法 基本步骤 ①检测 ②特征提取、运动预测 ③相似度计算 ④数据关联 检测：上游框架，检测质量对追踪质量的影响最大 检测用于计算车辆/行人之间的特征，区分前景和背景 特征提取，运动预测：第t帧识别结果和前t-1帧轨迹特征的提取，包括运动特征和表观特征两种 运动特征：匀速运动模型、LSTM(轨迹预测)&MLP(第t帧) 表观特征：Re-ID(行人重识别)、CNN、光流 运动预测：Kalman滤波、联合概率数据关联、
论文笔记——GNN3DMOT: Graph Neural Network for 3D Multi-Object Tracking with 2D-3D Multi-Feature Learning
qq_43687144的博客
11-20 852
模型管道：tracking-by-detection The key process of this pipeline is to learn discriminative features for objects with different identities.
直接开挂！“GNN+时序预测”组合，轻松发表高质量论文！
最新发布
m0_73122726的博客
09-21 876
然而，之前的研究通常将这些关系分开处理，忽视了数据中更复杂的交互，这可能会降低预测的准确性。提出了一种创新的方法，通过计算时间序列数据中的相似度矩阵并转换为图结构，以便GNN模型能够捕获数据中的时间相关性和复杂关系。在时序预测领域，通过合理构建和应用图结构，GNN能有效捕捉时空数据中的复杂依赖关系，轻松提高预测的准确性。文章从互信息的角度重新审视时间序列数据中的关系，提出了基于互信息的分析框架，以捕捉复杂的多元关系。本文探讨了GNN图分类模型在时间序列数据分析中的潜力，提出了一种新颖的方法论应用。
《论文阅读》P2B: Point-to-Box Network for 3D Object Tracking in Point Clouds
未知丶的博客
12-02 1408
留个笔记自用 P2B: Point-to-Box Network for 3D Object Tracking in Point Clouds 做什么 3D object detection。3维目标检测 对于输入的3D点云，像2D一样使用一个bounding box去将相应的物体包围起来，不过这里使用的bounding box也同样变成了3维的 做了什么 首先定位嵌入目标信息的3D搜索区域中的潜在目标中心，然后联合执行点驱动三维目标建议和验证，简单来说这里做的主要是对采样种子而不是3D盒子进行操作 怎
c++ocx交互检测弹框_GNN3DMOT ——特征交互(CVPR2020)
weixin_39573535的博客
01-12 160
前言：目标跟踪领域的热点逐渐从SOT转到MOT，再到最近的MOTS，而最具落地价值的3DMOT还鲜有人问津。今天介绍一篇发表在CVPR2020的将图神经网络引入3DMOT的论文。1. 创新点： 1）第一个利用图神经网络提出特征交互机制。目标的特征将被告知给其他目标，从而使得该目标倾向具有相似特征的目标，偏离具有不同特征的目标，拉大差距，使目标特征更具有判别性。 2）同时从2D和3D空间中获取表...
3D MOT: SimpleTrack指南
m0_57213528的博客
08-16 823
论文：SimpleTrack: Understanding and Rethinking 3D Multi-object Tracking。
论文盘点：基于图卷积GNN的多目标跟踪算法解析
Paper weekly
06-30 3893
©PaperWeekly 原创 ·作者｜黄飘学校｜华中科技大学硕士研究方向｜多目标跟踪随着这两年 GNN 的发展，其对于关系的建模特性也被引入了多目标跟踪领域，这次我通过对这两年基于 ...
基于局部和全局运动模式的无外观跟踪算法
9876无外观跟踪：基于局部和全局运动模式的学习框和轨迹嵌入算法Gaoang Wang1、Renshu Gu2、Zuozhu Liu1、Weijie Hu3、Mingli Song1、Jenq-Neng Hwang41浙江大学、2杭州电子科技大学、3广东石油化工大学、4华盛顿...
nuscenes数据集3D MOT demo，端到端的目标检测和跟踪，检测跟踪联合框架
qq_41590635的博客
07-24 1223
nuscenes数据集3D MOT demo，端到端的目标检测和跟踪，检测跟踪联合框架
AB3DMOT：“ 3D多对象跟踪：基线和新评估指标”的官方Python实现，IROS 2020，ECCVW 2020
02-03
AB3DMOT 3D多对象跟踪：基线和新评估指标（IROS 2020，ECCVW 2020） 该存储库包含ECCROS 2020年IROS 2020的完整论文“ ”的正式python实现和简短的论文“ ”。我们的项目网站和视频演示都。 如果您发现我们的论文或代码有用，请引用我们的论文： @article{Weng2020_AB3DMOT, author = {Weng, Xinshuo and Wang, Jianren and Held, David and Kitani, Kris}, journal = {IROS}, title = {{3D Multi-Object Tracking: A Baseline and New Evaluation Metrics}}, year = {2020} } @article{Weng2020_AB3DMOT_eccvw, author = {Weng, Xinshuo and Wang, Jianren and Held, David and Kitani, Kris}, journal = {ECCVW}, t
DEFT联合检测和跟踪3DMOT
weixin_64043217的博客
03-03 861
使用SOTA检测器加上简单的基于空间运动的帧间关联就可以获得相当不错的跟踪表现，它们的效果优于一些使用外观特征进行重识别丢失轨迹的方法。Uber等最近提出的DEFT（Detection Embeddings for Tracking）是一种联合检测和跟踪的模型，它是一个以检测器为底层在上层构建基于外观的匹配网络的框架设计。在二维跟踪上，它能达到SOTA效果并具有更强的鲁棒性，在三维跟踪上它达到了目前SOTA方法的两倍性能。
轨迹预测の综述
whaosoft143ai的博客
11-07 947
在数据集多样性上，Waymo Open Dataset 也有很大的提升，该数据集涵盖不同的天气条件，白天、夜晚不同的时间段，市中心、郊区不同地点，行人、自行车等不同道路对象，等等。由德国亚琛工业大学汽车工程研究所发布的HighD数据集，是德国高速公路的大型自然车辆轨迹数据，搜集自德国科隆附近的六个不同地点， 位置因车道数量和速度限制而异，记录的数据中包括轿车和卡车。9)具有挑战性的天气条件:恶劣的天气条件，如大雨、雪、雾或能见度低，会影响传感器的性能，限制用于轨迹预测的关键数据的可用性。whaosoft a
GNN的原理是什么？它是如何利用节点和边的信息进行图数据学习和预测？
njhhuuuby的博客
06-26 1241
GNN的核心思想是通过迭代地聚合节点和边的信息来捕捉图中的结构和特征，以便更好地理解和预测图数据。迭代信息传递：GNN通过迭代地传递和聚合节点和边的信息来更新节点的表示。它的原理是通过迭代地聚合节点和边的信息来学习图中节点的表示，并利用这些节点表示进行任务预测。节点表示更新：通过迭代信息传递，每个节点逐渐积累和聚合邻居节点的信息，并更新自身的表示。图结构表示：GNN首先将图表示为节点和边的集合，其中节点表示图中的实体，边表示节点之间的关系。这个初始化可以是随机的，也可以是基于节点的特征或标签进行的。
自动驾驶：轨迹预测概述
博学而笃志，切问而近思。
09-04 2333
自动驾驶：轨迹预测概述
AB3DMOT: A Baseline for 3D Multi-Object Tracking and New Evaluation Metrics
liusscsdn的博客
09-15 1385
AB3DMOT
TrajectoryNAS：一种用于轨迹预测的神经结构搜索
CV_Autobot的博客
03-25 75
作者|自动驾驶专栏 编辑|自动驾驶专栏点击下方卡片，关注“自动驾驶之心”公众号戳我-> 领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心『轨迹预测』技术交流群本文只做学术分享，如有侵权，联系删文论文链接：https://arxiv.org/pdf/2403.11695.pdf摘要本文介绍了TrajectoryNAS：一种用于轨迹预测的神经结构搜索。自动驾驶系统...
使用循环神经网络（RNN）对车辆轨迹数据进行建模和预测，采用长短期记忆网络（LSTM）模型
MGHYN的博客
04-23 1276
在实际应用中，可以将模型的实时预测结果进行动态展示，以实时监测车辆的运动路径和预测效果。可以将实时的车辆位置和预测的轨迹路径显示在地图上，并随着时间的推移更新显示，使用户能够实时了解车辆的行驶情况。：如果你想要一个包含来自自动驾驶汽车的大量传感器数据的数据集，用于训练和评估自动驾驶算法，那么选择 Waymo 的开放数据集可能是一个很好的选择。：如果你想要一个广泛用于自动驾驶汽车开发的数据集，包括车辆行驶轨迹、传感器数据等，那么选择 Udacity 提供的数据集可能是一个不错的选择。
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