QDTrack：多目标跟踪的准稠密相似学习

关注涛涛CV，设置星标，更新不错过

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

QDTrack：多目标跟踪的准稠密相似学习

相似性学习被认为是目标跟踪的关键步骤。然而现有的多目标跟踪方法仅将稀疏地面真值匹配作为训练目标，而忽略了图像上的大部分信息区域。在本文中提出了准稠密相似性学习，它对一对图像上的数百个区域建议进行稠密采样以进行对比学习。我们可以自然地将这种相似性学习与现有的检测方法结合起来，构建准密集跟踪（QDTrack），而无需转向位移回归或运动先验。我们还发现，得到的特征空间允许在推理时进行简单的最近邻搜索。尽管简单，QDTrack在MOT、BDD100K、Waymo和TAO跟踪基准上的性能优于所有现有方法。它在MOT17上以20.3 FPS的速度实现68.7 MOTA，无需使用外部训练数据。与使用类似检测器的方法相比，它提高了近10个MOTA点，并显著减少了BDD100K和Waymo数据集上的ID开关数量。

准稠密匹配

主要结果

我们的方法在MOT、BDD100K、Waymo和TAO基准测试中，以ResNet-50为基础模型，优于目前最先进的方法。

代码链接: https://github.com/SysCV/qdtrack

论文链接: https://arxiv.org/abs/2006.06664

项目主页: https://www.vis.xyz/pub/qdtrack/

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

笔记：

《智能革命》《人工智能》《AI•未来》《好好赚钱》《韭菜的自我修养》读书笔记

行业： 

服务机器人公司，机器视觉公司，自动驾驶公司，ADAS公司总结， 

SLAM：

Vslam方案+源码，语义SLAM与深度相机，SLAM和导航避障，视觉SLAM总结

秦学英《三维物体的识别与跟踪》，章国锋《视觉SLAM》，申抒含《基于图像的三维建模》，姜翰青《RGB -D SLAM》记录笔记

视觉SLAM的建图课件3，课件2，课件1

总结：

10年机器视觉网站，5年人工智能网站，

2019经历总结，2018视觉总结

机器视觉：

机器视觉基本概念笔记，记录五，记录四，记录三，记录二，记录一

双目视觉和激光传感器对目标物体的三维重建技术

图像处理：

图像处理基本概念笔记，记录八，记录七，记录六 ，记录五，记录四 ，记录三，记录二 ，记录二，记录一

欢迎支持，点击在看，分享