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 2024-06-09 00:01:44 发布
最新推荐文章于 2024-06-09 00:01:44 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

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
  • 0
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
2D/3D MOT调研总结及归纳
xyq1212的博客
07-24 1207
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、
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
论文笔记——GNN3DMOT: Graph Neural Network for 3D Multi-Object Tracking with 2D-3D Multi-Feature Learning
qq_43687144的博客
11-20 782
模型管道：tracking-by-detection The key process of this pipeline is to learn discriminative features for objects with different identities.
霸榜nuScenes | UA-Track：端到端MOT新方案，真正的端到端！
最新发布
CV_Autobot的博客
06-09 139
作者|Lijun Zhou等 编辑| 自动驾驶之心点击下方卡片，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『目标跟踪』技术交流群本文只做学术分享，如有侵权，联系删文文章：UA-Track: Uncertainty-Aware End-to-End 3D Multi-Object Tracking链接：https://ar...
《论文阅读》P2B: Point-to-Box Network for 3D Object Tracking in Point Clouds
未知丶的博客
12-02 1328
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
01-12 132
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
08-16 585
论文：SimpleTrack: Understanding and Rethinking 3D Multi-object Tracking。
基于GNN和CNN的数据预测（Python完整源码数据包）
11-22
基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN...
基于GNN 进行分子能量预测（Python完整源码和数据包）
11-23
**基于GNN进行分子能量预测**是深度学习在化学领域中的一个重要应用，它利用图神经网络（Graph Neural Networks, GNN）对分子结构进行建模，以预测其潜在的能量。在这一主题中，我们将深入探讨GNN的工作原理、分子...
基于 GNN 的链接预测器（Python完整源码和数据包）
11-23
基于 GNN 的链接预测器（Python完整源码和数据包） 调查了多个基于图形神经网络的端到端链接预测架构；编码器为GCN、RGCN、GAT、...GCN编码器和基于Dedicom的解码器在所有数据集上的表现都优于其他数据集（大于2%）。
基于GNN图神经网络预测（Python完整源码数据包）
11-22
基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经...
基于GNN和ARIMA的时间序列预测（Python完整源码和数据包）
11-23
基于GNN和ARIMA的时间序列预测（Python完整源码和数据包） 一个基于GNN和ARIMA的时间序列预测，包括数据预处理和预测方法。 基于GNN和ARIMA的时间序列预测（Python完整源码和数据包） 一个基于GNN和ARIMA的时间序列...
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 1095
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
DEFT联合检测和跟踪3DMOT
weixin_64043217的博客
03-03 826
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。
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 1130
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 2076
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 1319
AB3DMOT
3D多目标跟踪新思路！基于多传感器融合的加权几何距离关联方法
CV_Autobot的博客
09-16 1399
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群后台回复【ECCV2022】获取ECCV2022所有自动驾驶方向论文！在自动驾驶领域，3D多目标跟踪（MOT）作为整个感知系统中的关键任务之一发挥着重要作用，它确保了车辆导航和运动规划的高效和安全。大多数现有的MOT方法基于检测，即通过检测跟踪（TBD），并且仅使用单个深度传感器，如激光雷达来检测和跟...
GNN学习4：节点预测与边预测
lukem44的博客
06-27 1207
数据完全存于内存的数据集类 InMemoryDataset基类简介 构造函数的输入参数： root ：根文件夹，它指示数据集应该被保存在哪里。在根目录下至少有两个文件夹：1.一个文件夹为raw_dir ，它用于存储未处理的文件，从网络上下载的数据集文件会被存放到这里。2.另一个文件夹为processed_dir ，处理后的数据集被保存到这里。 transform：可以为None，transform 函数接受 Data对象为参数，对其转换后返回。此函数在每一次数据访问时被调用，所以它应该用于数据增广（Data
基于GNN的链路预测主要流程
04-29
基于GNN的链路预测主要流程如下： 1. 数据准备：将现有网络数据转化为图的形式，其中节点代表实体，边代表实体间的关系。 2. 节点表示学习：设计节点嵌入方法，为每个节点生成向量表示，通常使用图卷积神经网络...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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