QDTrack：多目標跟蹤的準稠密相似學習

關(guān)注濤濤CV，設置星標，更新不錯過

-------------------------------------

QDTrack：多目標跟蹤的準稠密相似學習

相似性學習被認為是目標跟蹤的關(guān)鍵步驟。然而現(xiàn)有的多目標跟蹤方法僅將稀疏地面真值匹配作為訓練目標，而忽略了圖像上的大部分信息區(qū)域。在本文中提出了準稠密相似性學習，它對一對圖像上的數(shù)百個區(qū)域建議進行稠密采樣以進行對比學習。我們可以自然地將這種相似性學習與現(xiàn)有的檢測方法結(jié)合起來，構(gòu)建準密集跟蹤（QDTrack），而無需轉(zhuǎn)向位移回歸或運動先驗。我們還發(fā)現(xiàn)，得到的特征空間允許在推理時進行簡單的最近鄰搜索。盡管簡單，QDTrack在MOT、BDD100K、Waymo和TAO跟蹤基準上的性能優(yōu)于所有現(xiàn)有方法。它在MOT17上以20.3 FPS的速度實現(xiàn)68.7 MOTA，無需使用外部訓練數(shù)據(jù)。與使用類似檢測器的方法相比，它提高了近10個MOTA點，并顯著減少了BDD100K和Waymo數(shù)據(jù)集上的ID開關(guān)數(shù)量。

準稠密匹配

主要結(jié)果

我們的方法在MOT、BDD100K、Waymo和TAO基準測試中，以ResNet-50為基礎模型，優(yōu)于目前最先進的方法。

代碼鏈接: https://github.com/SysCV/qdtrack

論文鏈接: https://arxiv.org/abs/2006.06664

項目主頁: https://www.vis.xyz/pub/qdtrack/

-------------------------------------

筆記：

《智能革命》《人工智能》《AI?未來》《好好賺錢》《韭菜的自我修養(yǎng)》讀書筆記

行業(yè)：?

服務機器人公司，機器視覺公司，自動駕駛公司，ADAS公司總結(jié)，?

SLAM：

Vslam方案+源碼，語義SLAM與深度相機，SLAM和導航避障，視覺SLAM總結(jié)

秦學英《三維物體的識別與跟蹤》，章國鋒《視覺SLAM》，申抒含《基于圖像的三維建模》，姜翰青《RGB -D SLAM》記錄筆記

視覺SLAM的建圖課件3，課件2，課件1

總結(jié)：

10年機器視覺網(wǎng)站，5年人工智能網(wǎng)站，

2019經(jīng)歷總結(jié)，2018視覺總結(jié)

機器視覺：

機器視覺基本概念筆記，記錄五，記錄四，記錄三，記錄二，記錄一

雙目視覺和激光傳感器對目標物體的三維重建技術(shù)

圖像處理：

圖像處理基本概念筆記，記錄八，記錄七，記錄六?，記錄五，記錄四?，記錄三，記錄二?，記錄二，記錄一

歡迎支持，點擊在看，分享