MOT相关
xyq1212
这个作者很懒,什么都没留下…
展开
-
PV-RCNN学习笔记
本文提出了一个基于LiDAR点云进行3D目标识别的框架PV-RCNN。系统体系结构图如下:该框架融合了voxel-based和point-based的优点进行特征学习,提出了一个双阶段的体系结构,分别用voxel CNN生成目标提议并对目标提议进行优化。在优化的过程中,本文将整个点云抽象为一组关键点,再用关键点的特征增强提议,丰富提议的上下文信息,得到更精确的预测结果。本文最精彩的地方是关键点的获取,这样既能达到优化提议的目的,又能节省计算和内存资源。此外本文在关键点特征融合和提议优化步骤都使用了多尺原创 2020-07-09 10:16:11 · 2610 阅读 · 0 评论 -
2D/3D MOT调研总结及归纳
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、原创 2020-07-24 15:36:31 · 1182 阅读 · 0 评论 -
AB3DMOT代码阅读
简介AB3DMOT是一个提出了准确、简单、实时的3D MOT框架。创新它不是在2D图像空间或者鸟瞰图视角下进行3D MOT,而是将Kalman过滤器拓展到了3D领域,包括3D 位置、尺寸、速度和方向。此外本文作者还提出了将KITTI 2D MOT评估扩展到3D MOT评估工具(并非像之前一样,把3D轨迹投影到2D然后再进行评估,这样可能会丢失信息)。提出了新的评估矩阵可以更好地评估追踪结果(解决单一 trajectory confidence threshold的问题,此评价方法平均了多个thr原创 2020-07-25 21:13:10 · 4912 阅读 · 2 评论 -
基于GNN的3D MOT和轨迹预测联合框架论文阅读
Joint 3D Tracking and Forecasting with Graph Neural Network and Diversity Sampling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AB3原创 2020-07-28 14:53:23 · 1302 阅读 · 0 评论 -
使用Open3D实现MOT结果的可视化
可视化部分的代码运行部分代码借鉴:(https://blog.csdn.net/Oreooooo/article/details/107281003?utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2allfirst_rank_v2~rank_v25-1-107281003.nonecase)源码地址:https://github.com/xueyaqing/MOT_results_visualize介绍使用的工具是Open原创 2020-08-12 10:48:01 · 729 阅读 · 3 评论 -
mmMOT代码阅读笔记
1.mmMOT系统框架图2.我理解的框架图3.代码结构4.代码解读自上往下的顺序,从main文件开始,逐渐详细main.py程序主文件,用来训练和验证模型获取配置文件,追踪模型初始化global args, config, best_mota args = parser.parse_args() with open(args.config) as f: config = yaml.load(f, Loader=yaml.FullLoader)原创 2020-09-24 18:11:37 · 1346 阅读 · 5 评论 -
FANTrack代码阅读笔记
1.FANTrack系统结构图用于相似性学习的Siamese网络:bounding box分支:appear 分支关联网络相似图的计算(用于得到最后的追踪结果,训练过程种不需要这一步)2.FANTrack我理解的框架图与mmMOT不同的是,FANTrack先分别得到Bbox相似性矩阵和表观相似性矩阵,并基于Bbox和appear特征分别计算它们的权重,再进行加权融合得到最终的相似度矩阵。而在mmMOT中,是先融合特征,再使用融合后的特征计算相似性矩阵。FANTrack中也加入了对原创 2020-09-25 15:15:54 · 618 阅读 · 1 评论