Features for Multi-Target Multi-Camera Tracking and Re-Identification
Duke University（杜克大学）
多目标多摄像机跟踪（MTMCT）通过从多个摄像机拍摄的视频跟踪多个人。人重新识别（Re-ID）从图库中检索与人查询图像相似的人的图像。我们用卷积神经网络学习MTMCT和Re-ID的好特征。我们的贡献包括自适应加权三重损失的训练和硬身份挖掘的新技术。我们的方法优于最先进的DukeMTMC基准跟踪，并在市场-1501和DukeMTMC-ReID基准Re-ID。我们检查良好的Re-ID和良好的MTMCT分数之间的相关性，并进行消融研究，以阐明我们的系统的主要组成部分的贡献。代码可用。
2018-03-28 cs.CV
Joint Detection and Tracking in Videos with Identification Features
OSRAM GmbH（欧司朗有限公司）；Technische Universität München（慕尼黑工业大学）；Sapienza University of Rome（罗马第一大学）
最近的工作已经表明，在视频数据的情况下，组合目标检测和跟踪任务导致两个任务的更高性能，但是它们需要高帧速率作为对性能的严格要求。在实际应用中，当模型在嵌入式设备上运行时，通常每秒只有几帧时，这一假设经常被违反。低帧速率的视频遭受大的对象位移。这里，重新识别特征可以支持匹配大位移的目标检测，但是当前的联合检测和重新识别公式降低了检测器性能，因为这两者是对比任务。在现实世界的应用程序中，具有单独的检测器和re-id模型通常是不可行的，因为内存和运行时间都有效地加倍。为了实现适用于计算能力降低的设备的鲁棒长期跟踪，我们提出了视频的检测，跟踪和重新识别特征的第一个联合优化。值得注意的是，我们的联合优化保持了检测器的性能，这是一个典型的多任务挑战。在推理时，当对象在图像中可见、可检测且缓慢移动时，我们利用检测进行跟踪（通过检测进行跟踪）。相反，我们利用重新识别功能来匹配几帧内消失（例如由于遮挡）或由于快速运动（或低帧率视频）而未被跟踪的对象。我们提出的方法在MOT上达到了最先进的水平，在UA-DETRAC'18在线跟踪器跟踪挑战中排名第一，总体排名第三。
2020-05-25 cs.CV
An HMM-based framework for identity-aware long-term multi-object tracking from sparse and uncertain identification: use case on long-term tracking in livestock
Centre de développement du porc du Québec（魁北克猪发展中心）
针对长期多目标跟踪中的身份切换问题，提出基于HMM的框架，结合稀疏不确定的身份识别与跟踪，在猪跟踪及MOT17/20数据集上显著提升了ByteTrack和FairMOT的F1分数。
2025-09-12 cs.CV
State-aware Re-identification Feature for Multi-target Multi-camera Tracking
Horizon Robotics（地平线机器人）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Beijing University of Posts and Telecommunications（北京邮电大学）
多目标多摄像机跟踪（MTMCT）的目的是从一组摄像机拍摄的视频中提取运动轨迹。最近，MTMCT的跟踪性能显着提高与就业的重新识别（Re-ID）模型。然而，由于目标的遮挡和方向变化，外观特征通常变得不可靠。在MTMCT中直接应用Re-ID模型会遇到身份切换和轨迹片段遮挡问题。为了解决这些问题，本文提出了一种新的跟踪框架。在该框架中，遮挡状态和方向信息被用于Re-ID模型，并考虑了人体的姿态信息。此外，使用建议的融合跟踪特征的轨迹关联被采用来处理碎片问题。该跟踪器在多摄像机硬序列上达到了81.3%的IDF 1，大大优于所有其他参考方法。
2019-06-04 cs.CV
BMCTrack-d: Pig re-identification and tracking via back marks in challenging camera settings
University of Applied Sciences Upper Austria（上奥地利应用科学大学）；TU Wien（维也纳技术大学）；The University of Veterinary Medicine Vienna（维也纳兽医大学）
本研究提出BMCTrack-d，利用背部标记在复杂侧视相机场景下实现猪的重识别与跟踪，在高阶跟踪准确率上优于BoT-SORT-ReID和TrackTrack-ReID。
2026-09-04 cs.CV
Occlusion-Robust Online Multi-Object Visual Tracking using a GM-PHD Filter with CNN-Based Re-Identification
De Montfort University（德蒙福特大学）；University of Lincoln（林肯大学）
我们提出了一种新的在线多目标视觉跟踪器，使用高斯混合概率假设密度（GM-PHD）滤波器和深度外观学习。GM-PHD滤波器在估计时变数目的对象的状态和基数时，其复杂度与对象和观测的数目成线性关系，但它易受误检影响，且不包含对象的身份信息。我们使用从对象边界框和深入学习的外观表示获得的视觉时空信息来执行估计到跟踪数据关联以进行目标标记，并制定增强的可能性，然后集成到GM-PHD滤波器的更新步骤中。我们还采用额外的未分配的轨道预测后的数据关联步骤，以克服的敏感性GM-PHD过滤器对由遮挡引起的误检。对MOT 16，MOT 17和HiEve基准数据集的广泛评估表明，我们的跟踪器在跟踪精度和识别方面明显优于几个最先进的跟踪器。
2021-08-05 cs.CV
Towards a Principled Integration of Multi-Camera Re-Identification and Tracking through Optimal Bayes Filters
Visual Computing Institute（视觉计算研究所）；RWTH Aachen University（亚琛工业大学）
随着通过深度学习的端到端学习的兴起，人员检测器和重新识别（ReID）模型最近变得非常强大。多摄像机多目标（MCMT）跟踪尚未完全经历这一转变。我们打算在这个方向上迈出另一步，提出一种理论上的原则性方法，将ReID与制定为最佳贝叶斯滤波器的跟踪相结合。这方便地避开了数据关联的需要，并开辟了从完整图像到跟踪器核心的直接路径。虽然结果仍然低于标准，但我们相信这种新的紧密集成开辟了许多有趣的研究机会，并为从原始像素进行全面的端到端跟踪铺平了道路。
2017-05-16 cs.CV
Fusion of Head and Full-Body Detectors for Multi-Object Tracking
Leibniz Universität Hannover（莱布尼茨汉诺威大学）；Technische Universität München（慕尼黑工业大学）
为了跟踪场景中的所有人，检测跟踪范式已被证明是一种非常有效的方法。然而，仅仅依靠单个探测器也是一个主要的限制，因为有用的图像信息可能会被忽略。因此，这项工作演示了如何将两个探测器融合到一个跟踪系统中。为了获得的轨迹，我们建议制定跟踪作为一个加权图标记的问题，从而在一个二进制二次规划。由于这些问题是NP难的，因此只能近似求解。基于Frank-Wolfe算法，我们提出了一个新的求解器，这是至关重要的处理这样的困难问题。行人跟踪的评估提供了多种情况下，显示优于单检测器跟踪和标准的QP求解器的结果。最后，我们的跟踪器在MOT 16基准测试中排名第二，在新的MOT 17基准测试中排名第一，超过90个跟踪器。
2018-04-24 cs.CV
Deformable Distributed Multiple Detector Fusion for Multi-Person Tracking
Johns Hopkins University（约翰斯·霍普金斯大学）；Hong Kong Baptist University（香港浸会大学）
本文讨论了在复杂环境中具有挑战性的遮挡和广泛的姿态变化的全自动多人跟踪。我们的解决方案将多个检测器组合用于一组不同的感兴趣区域（例如，全身和头部）用于多人跟踪。使用多个检测器导致更少的未检测，因为它能够利用各个检测器的互补强度。虽然假阳性的数量可能会随着从多个检测器检测到的边界框的数量增加而增加，但我们建议通过限界框位置和深度信息对检测输出进行分组。为了对显著的姿态变化具有鲁棒性，在我们的多人跟踪系统中学习了检测器之间的可变形空间关系。从现场重症监护室（ICU）的RGBD数据，我们表明，所提出的方法显着提高了多人跟踪性能的国家的最先进的方法。
2015-12-18 cs.CV
TrackID3x3: A Dataset and Algorithm for Multi-Player Tracking with Identification and Pose Estimation in 3x3 Basketball Full-court Videos
Nagoya University（名古屋大学）；Nagoya Institute of Technology（名古屋技术大学）；Shizuoka University（静冈大学）；Ryutsu Keizai University（日向产业大学）
TrackID3x3数据集和算法旨在解决3x3篮球中多玩家跟踪、识别及姿态估计问题，提供首个全面的基准测试平台。
2025-08-21 cs.CV
Real-Time Visual Tracking and Identification for a Team of Homogeneous Humanoid Robots
University of Bonn（波恩大学）
使用一组人形机器人协作完成一项任务是一个越来越重要的研究领域。实现协作的挑战之一是机器人的相互识别和跟踪。这项工作提出了一种实时的【形】基于视觉的方法来检测和跟踪已知外观的机器人，基于静止的机器人捕获的图像。一个直方图的有向矢量描述符被用来检测机器人和机器人的航向估计的多类分类器。被跟踪的机器人根据磁力计读数报告自己的航向估计。对于跟踪，基于位置和航向的成本函数应用于每个轨迹，并且使用匈牙利算法找到检测到的机器人的全局最优标签。完整的识别和跟踪系统在足球场上使用两个igus人形开放平台机器人进行了测试。我们希望类似的系统可以用于其他人形机器人，如Nao和DARwIn-OP
2018-10-16 cs.CV cs.RO
Online Visual Robot Tracking and Identification using Deep LSTM Networks
University of Bonn（波恩大学）
在许多应用中，协作机器人在共同的任务上工作是必要的。在机器人团队中实现协作的挑战之一是相互跟踪和识别。我们提出了一种新的管道在线视觉为基础的检测，跟踪和识别机器人与已知的和相同的外观。我们的方法在有限的硬件上实时运行的观察员机器人。与以前的机器人跟踪和识别工作不同，我们使用基于递归神经网络的数据驱动方法来学习顺序输入和输出之间的关系。我们将数据关联问题表述为多分类问题。深度LSTM网络在模拟数据集上进行训练，并在少量真实数据集上进行微调。在两个具有挑战性的数据集上进行的实验，一个是合成数据集，一个是真实数据集，其中包括长期遮挡，显示出有希望的结果。
2018-10-16 cs.CV cs.RO
Efficient Asymmetric Co-Tracking using Uncertainty Sampling
Kyoto University（京都大学）
自适应检测跟踪方法是跟踪任意目标的常用方法。他们将跟踪问题视为分类任务，并使用在线学习技术来更新对象模型。然而，这些方法在其检测器的效率和有效性上投入了大量资金。评估每个帧的大量样本（例如，通过滑动窗口获得）迫使检测器为了速度而牺牲精度。此外，边界样本在检测器中的误分类在跟踪中引入累积误差。在这项研究中，我们提出了一个共同跟踪的基础上，两个检测器的有效合作：一个快速自适应的基于样本的检测器和另一个更复杂，但速度较慢的检测器与长期记忆。检测器的采样标记和协同学习由不确定性采样单元进行，提高了系统的速度和准确性。我们还引入了一个预算机制，该机制可以防止第一个检测器中的示例数量无限增长，以保持其快速响应。实验证明了所提出的跟踪器的效率和有效性对它的基线和其优越的性能对国家的最先进的跟踪器在各种基准视频。
2017-03-31 cs.CV
Ocean Eddy Identification and Tracking using Neural Networks
University of Bonn（波恩大学）
全球气候变化在我们的日常生活中起着至关重要的作用。中尺度海洋涡旋对海洋动力学、海洋环流的能量和物质输运有重要影响，对全球变暖有重要影响。从卫星测高，我们可以得到高分辨率，全球地图包含海洋信号占主导地位的相干涡流结构。本研究的目的是开发和评估一种基于深度学习的方法来分析涡流。详细地说，我们开发了一个涡流识别和跟踪框架，有两种不同的方法，主要是基于卷积神经网络的特征学习。此外，使用最先进的图像处理工具和对象跟踪方法来支持涡流跟踪。与以前的方法相比，我们的框架能够学习数据的表示，其中可以以更客观和鲁棒的方式检测和跟踪涡流。我们展示了来自澳大利亚地区和东澳大利亚洋流的海平面异常（SLA）数据的检测和跟踪结果，并比较了我们的两种涡流检测和跟踪方法，以确定最鲁棒和客观的方法。
2018-05-15 cs.CV
Multi-Object Tracking and Identification over Sets
UC Berkeley（加州大学伯克利分校）
自主智能体或机器人在动态环境中跟踪和识别潜在的多个对象的能力对于许多应用是必不可少的，例如自动监控，交通监控，人机交互等。主要的挑战是由于噪声和不完整的感知，包括不可避免的假阴性和假阳性错误从低级别检测器。在本文中，我们提出了一种新的多目标跟踪和识别集的方法来解决这一挑战。我们将联合状态和观测定义为有限集合，并相应地开发运动和观测函数。对象识别问题，然后制定和解决使用期望最大化的方法。集合公式使我们能够避免直接执行观察到对象的关联。我们经验证实，整体算法优于国家的最先进的流行的PETS数据集。
2016-05-25 cs.CV cs.RO
On the Interaction Between Deep Detectors and Siamese Trackers in Video Surveillance
École de technologie supérieure（高等技术学院）；Genetec Inc.（Genetec公司）
视觉目标跟踪是实时视频监控中的一个重要功能，如人员定位和时空识别等。在现实世界的应用中，对象检测器和跟踪器必须定期进行交互，以发现新的对象，从而启动跟踪。与检测器的周期性交互还可以允许跟踪器利用新的边界框来验证和/或更新其对象模板。然而，由于外观、背景和遮挡的变化，由最先进的检测器提供的边界框是有噪声的，这可能导致跟踪器漂移。此外，基于CNN的检测器可以以计算复杂性为代价提供高水平的准确性，因此对于实时应用，应该最小化相互作用。在本文中，提出了一种新的方法来管理探测器跟踪器的相互作用，从暹罗FC家庭的跟踪器。通过将变化检测机制集成到深Siamese-FC跟踪器中，其模板可以响应于导致跟踪期间漂移的目标外观的变化而进行调整。突变检测使用由检测器产生的限界框来触发跟踪器模板的更新，而在渐变的情况下，检测器用于更新用于鲁棒匹配的模板的演进集合。使用最先进的Siamese-FC跟踪器和YOLOv 3检测器对来自OTB-100数据集的模拟视频监控场景的视频子集进行实验。结果强调了使用准确探测器的可靠VOT的重要性。它们还表明，我们的自适应暹罗跟踪器是强大的噪声目标检测，并可以显着提高暹罗FC跟踪的性能。
2019-10-31 cs.CV eess.IV
Multiple Hypothesis Hypergraph Tracking for Posture Identification in Embryonic Caenorhabditis elegans
University of Maryland, College Park（马里兰大学帕克分校）；Harvard Medical School（哈佛医学院）；National Institutes of Health（美国国立卫生研究院）
多目标跟踪（MOT）中的当前方法依赖于经历可预测运动的独立对象轨迹来有效地跟踪大量对象。诸如不稳定的对象运动和不完美的检测等不利条件创建了具有挑战性的跟踪环境，其中已建立的方法可能产生不充分的结果。多假设超图跟踪（MHHT）被开发用于在噪声检测中在相互依赖的对象之间执行MOT。该方法扩展了传统的多假设跟踪（MHT）通过超图模型相关的对象运动，允许在具有挑战性的场景下的鲁棒跟踪。应用MHHT技术对胚胎发育后期的缝细胞进行追踪。优雅
2022-07-09 cs.CV cs.LG eess.IV
Detection-aware multi-object tracking evaluation
Universidad Autónoma de Madrid（马德里自治大学）；Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会）
你如何公平地评估两种多目标跟踪算法（即跟踪器），每一种都采用不同的目标检测器？探测器不断改进，因此跟踪器可以随着时间的推移减少估计物体状态的工作量。那么，将使用新探测器的新跟踪器与使用旧探测器的另一跟踪器进行比较是否公平？在本文中，我们提出了一种新的性能指标，跟踪努力措施（TEM），使用不同的检测器来评估跟踪器。TEM估计跟踪器相对于其输入数据（即检测）在帧级（帧内复杂度）和序列级（帧间复杂度）的改进。我们评估TEM在众所周知的数据集，四个跟踪器和八个检测集。结果表明，不同于传统的跟踪评估措施，TEM可以量化跟踪器所做的努力，减少相关的输入检测。其实现可在https://github.com/vpulab/MOT-evaluation上公开获取。
2022-12-16 cs.CV
A unified neural network for object detection, multiple object tracking and vehicle re-identification
VeilyTech
深度SORT \cite{wojke2017simple}是一种通过检测器和RE-ID模型进行多目标跟踪的检测跟踪方法。两种模型分别进行训练和推理都是耗时的。在本文中，我们通过在Faster RCNN架构中添加额外的跟踪分支，将检测器和RE-ID模型统一到端到端网络中。通过统一的网络，我们能够对整个模型进行端到端的多损耗训练，这在最近的其他工作中显示出了很大的优势。Deep SORT中的RE-ID模型需要使用深度CNN从检测到的对象图像中提取特征图，然而，我们提出的网络中的跟踪分支直接利用了Faster RCNN基线中的RoI特征向量，这减少了计算量。由于单个图像缺少相同的对象，这是我们使用三重丢失优化轨道分支时所必需的，因此我们将视频中的相邻帧连接起来以构建我们的训练数据集。在AIC 19车辆跟踪数据集上对模型进行了训练和评估，实验表明，以resnet 101为主干的模型可以达到57.79%的mAP，并能很好地跟踪车辆。
2019-07-08 cs.CV
Exemplar-based Linear Discriminant Analysis for Robust Object Tracking
Huazhong University of Science and Technology（华中科技大学）
检测跟踪是一种非常有吸引力的跟踪技术，它将跟踪问题视为一个类别检测问题。然而，跟踪中的任务是搜索特定的对象，而不是像检测中那样搜索对象类别。在本文中，我们提出了一种新的跟踪框架的基础上，样本检测器，而不是类别检测器。建议的跟踪器是一个基于样本的线性判别分析（ELDA）检测器的合奏。每个检测器都是非常具体和有区别的，因为它是由单个对象实例和大量否定训练的。为了提高其自适应性，我们更新对象和背景模型。在几个具有挑战性的视频序列上的实验结果表明，我们的跟踪算法的有效性和鲁棒性。
2014-02-24 cs.CV
Multiple Object Tracking in Urban Traffic Scenes with a Multiclass Object Detector
Polytechnique Montréal（蒙特利尔理工学院）
城市交通中的多目标跟踪（MOT）旨在生成不同道路用户的轨迹，这些道路用户以不同的方向和速度在视场中移动，并且可以具有不同的外观和大小。由于城市道路交通的性质，不同对象之间的遮挡和相互作用是预期的和常见的。在这项工作中，除了对象位置和外观之外，还使用采用来自深度学习检测方法的分类标签信息的跟踪框架来关联不同的对象。我们要调查的性能现代多类对象检测器的MOT任务在交通场景。结果表明，目标标记提高了跟踪性能，但目标检测器的输出并不总是可靠的。
2018-09-06 cs.CV
Multi-task Learning for Joint Re-identification, Team Affiliation, and Role Classification for Sports Visual Tracking
Sharif University of Technology（谢里夫理工大学）；UCLouvain（鲁汶大学）；EPFL（洛桑联邦理工学院）；Sportradar（Sportradar公司）
本文提出多任务学习方法 PRTreID，通过单一共享骨干网络联合完成球员重识别、球队归属和角色分类，并与先进跟踪方法集成，在 SoccerNet 数据集上取得最优跟踪性能。
2024-01-18 cs.AI cs.CV
Find First, Track Next: Decoupling Identification and Propagation in Referring Video Object Segmentation
GenGenAI；Yonsei University（延世大学）
针对指代表达视频目标分割中多模态特征纠缠导致的目标识别歧义和跨帧传播不一致问题，本文提出 FindTrack 解耦框架，通过自适应关键帧选择与专用传播模块提升性能，并在公开基准上取得最优结果。
2025-07-26 cs.CV
Sea You Later: Metadata-Guided Long-Term Re-Identification for UAV-Based Multi-Object Tracking
National Taiwan University（台湾大学）；National Center for High-performance Computing（国家高性能计算中心）；University of Washington（华盛顿大学）
针对无人机海事多目标跟踪中短期和长期重识别的挑战，提出利用GPS等元数据融合轨迹的MG-MOT算法，在SeaDroneSee数据集上取得HOTA 69.5%和IDF1 85.9%的SOTA性能。
2023-11-22 cs.CV
Improving Vehicle Re-Identification using CNN Latent Spaces: Metrics Comparison and Track-to-track Extension
Institut de Recherche en Informatique de Toulouse（图卢兹计算机科学研究所）；Université de Toulouse（图卢兹大学）；Solution Data Group, IA department（Solution Data Group（人工智能部门））；École nationale supérieure des mines d’Alès（阿尔勒国立高等矿业学校）；Toulouse（图卢兹）
本文提出了一种基于CNN隐空间的车辆识别方法。首先，我们研究了距离度量的影响，比较了使用不同度量获得的性能：最小欧几里得距离（MED）、最小余弦距离（MCD）和稀疏编码重建的残差（RSCR）。这些指标使用从五种不同的CNN架构（即ResNet18，AlexNet，VGG16，InceptionV3和DenseNet201）中提取的特征来应用。我们使用特定的车辆重新识别数据集VeRi来微调这些CNN并评估结果。总体而言，独立于所使用的CNN，MCD优于文献中常用的MED。这些结果在其他车辆检索数据集上得到证实。其次，我们扩展了国家的最先进的图像到跟踪过程（I2TP）的跟踪到跟踪过程（T2TP）。这三个距离度量被扩展为测量轨道之间的距离，从而实现T2TP。我们使用相同的CNN模型比较了T2TP和I2TP。结果表明，T2TP优于I2TP的MCD和RSCR。结合DenseNet201和基于MCD的指标的T2TP表现出最佳性能，优于最先进的基于I2TP的模型。最后，实验突出了两个主要结果：i）车辆重新识别中度量选择的影响，以及ii）与I2TP相比，T2TP提高了性能，特别是当与基于MCD的度量相结合时。
2020-09-26 cs.CV cs.LG
Novel Perception Algorithmic Framework For Object Identification and Tracking In Autonomous Navigation
Carnegie Mellon University（卡内基梅隆大学）
本文介绍了一种新的感知框架，具有识别和跟踪的自主车辆的视野中的对象的能力。所提出的算法不需要任何训练来实现这一目标。该框架利用自车的姿态估计和基于KD树的分割算法来生成对象簇。反过来，使用VFH技术，每个识别的对象集群的几何形状被转换成多模态PDF，并且为了鲁棒的时空跟踪的目的，利用每个新的对象集群启动运动模型。该方法还使用高维概率密度函数的统计特性和贝叶斯运动模型估计来逐帧地识别和跟踪对象。在KITTI数据集上测试了该方法的有效性。实验结果表明，在端到端的计算时间为153毫秒的情况下，跟踪精度的中位数约为91%
2020-06-08 cs.CV cs.RO
Scalable and Real-time Multi-Camera Vehicle Detection, Re-Identification, and Tracking
University of Maryland（马里兰大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
多摄像机车辆跟踪是计算机视觉中最复杂的任务之一，因为它涉及到车辆检测、跟踪和重新识别等不同的任务。尽管面临挑战，但多摄像头车辆跟踪在交通运输应用中具有巨大的潜力，包括速度，体积，起点-目的地（O-D）和路线数据生成。最近的几项工作已经解决了多摄像机跟踪问题。然而，大部分的努力都是为了提高高质量基准数据集的准确性，而忽略了较低的相机分辨率，压缩伪影以及在其边缘执行此任务所需的大量计算能力和时间，从而使其无法进行大规模和实时的【形】部署。因此，在这项工作中，我们阐明了多摄像机跟踪系统的设计应该解决的实际问题，以提供可操作的和及时的见解。此外，我们提出了一种实时的【形】城市规模的多摄像头车辆跟踪系统，该系统与计算密集型替代方案相比毫不逊色，并且可以处理真实世界的低分辨率CCTV，而不是理想化和策划的视频流。为了展示其有效性，除了集成到区域综合交通信息系统（RITIS）中，我们还参加了2021年NVIDIA AI城市多摄像头跟踪挑战赛，我们的方法在公开排行榜上名列前五。
2022-04-15 cs.AI cs.CV
American Sign Language Identification Using Hand Trackpoint Analysis
Maharaja Agrasen Institute of Technology（马哈拉贾·阿格拉森理工学院）
手语帮助有语言和听力障碍的人与他人有效地沟通。手语识别是计算机视觉领域的一个具有挑战性的领域，最近的发展已经能够实现近乎完美的结果，尽管一些挑战尚未得到解决。在本文中，我们提出了一种新的机器学习为基础的管道，美国手语识别使用的手跟踪点。我们将一个手势转换成一系列的手轨迹点坐标，作为我们的系统的输入。为了使解决方案更有效，我们试验了28种不同的预处理技术组合，每种组合都运行在三种不同的机器学习算法上，即k-最近邻，随机森林和神经网络。通过比较它们的性能，确定最佳的预处理方案和算法对。我们的系统实现了95.66%的准确率，以识别美国手语手势。
2021-01-19 cs.AI cs.CV cs.HC
PLayerTV: Advanced Player Tracking and Identification for Automatic Soccer Highlight Clips
University of Oslo（奥斯陆大学）；Oslo Metropolitan University（奥斯陆 Metropolitan 大学）
针对体育分析中目标视频处理自动化需求，提出PLayerTV框架，整合目标检测与跟踪、OCR及颜色分析技术，在挪威精英联赛数据集上测试可准确高效识别球队和球员，能自动生成球员特定精彩片段并通过GUI简化使用。
2024-07-22 cs.CV cs.MM
Towards Continuous Home Cage Monitoring: An Evaluation of Tracking and Identification Strategies for Laboratory Mice
TLR Ventures；University of Chicago（芝加哥大学）
本文提出一种实时小鼠识别算法，包含多目标跟踪器、transformer分类器和轨迹关联线性规划，通过定制耳标实现全天候家居笼内小鼠的准确追踪与ID分配，显著提高追踪效率并减少ID切换。
2025-07-10 cs.AI cs.CV cs.LG
