CFTrack: Enhancing Lightweight Visual Tracking through Contrastive Learning and Feature Matching
School of Aeronautics and Astronautics, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区航空航天学院）；Insta360 Research（影石创新研究院）
CFTrack是一种轻量级视觉跟踪器，通过对比学习和特征匹配增强判别性特征，在LaSOT、OTB100和UAV123上超越多种先进轻量级跟踪器，并在NVIDIA Jetson NX上达到136帧/秒，且在严重遮挡下保持强判别能力。
2025-02-27 cs.CV
A Framework for Real-Time Face and Facial Feature Tracking using Optical Flow Pre-estimation and Template Tracking
LIACS, Leiden University（莱顿大学LIACS（莱顿高级计算机科学研究所））
这项工作提出了一个框架，用于跟踪头部运动和捕捉运动的嘴和两个眉毛在实时的【形】。我们提出了一个头部跟踪器，这是一个组合的光流和基于模板的跟踪器。光流头部跟踪器的估计被用作微调头部估计的模板跟踪器的起始点。该方法与重新更新光流点一起防止头部跟踪器漂移。这种结合与我们的切换方案，使我们的跟踪器非常强大的快速运动和运动模糊。我们还提出了一种方法来减少头部部分遮挡的影响。在光流和基于模板的跟踪器中，我们识别并排除遮挡点。
2010-12-31 cs.CV
Tackling Occlusion in Siamese Tracking with Structured Dropouts
University of Amsterdam（阿姆斯特丹大学）
遮挡是目标跟踪中最困难的问题之一。这是因为与其他挑战不同，数据增强可以有所帮助，遮挡很难模拟，因为遮挡对象可以是任何形状的任何东西。在本文中，我们提出了一个简单的解决方案来模拟潜在空间中的遮挡效果。具体来说，我们提出了结构化的辍学模仿隐藏代码的变化下闭塞。我们提出了三种形式的辍学（通道辍学，段辍学和切片辍学）的各种形式的闭塞铭记。为了证明其有效性，辍学者被纳入两个现代暹罗跟踪器（SiamFC和SiamRPN++）。使用编码器网络组合来自多个辍学的输出以获得最终预测。几个跟踪基准的实验表明，结构化辍学的好处，而由于其简单性，只需要小的变化，现有的跟踪器模型。
2020-06-30 cs.CV cs.LG eess.IV
TAPL: Dynamic Part-based Visual Tracking via Attention-guided Part Localization
Nanyang Technological University（南洋理工大学）；MediaTek, Inc.（联发科技股份有限公司）
基于整体对象表示的跟踪器在大的外观变化（如变形和遮挡）下性能下降。在这项工作中，我们提出了一个动态的部分为基础的跟踪器，并不断更新的目标部分表示，以适应对象的外观变化。此外，我们设计了一个注意力引导的零件定位网络，直接预测目标零件的位置，并确定最终的限界框与目标零件的分布。我们提出的跟踪器在各种基准测试中取得了令人鼓舞的结果：VOT 2018，OTB 100和GOT-10 k
2021-10-25 cs.CV
Depth-only Object Tracking
Tampere University（坦佩雷大学）；University of Birmingham（伯明翰大学）
深度（D）指示遮挡并且对照明变化不太敏感，这使得深度对于视觉对象跟踪（VOT）具有吸引力。深度用于RGBD对象跟踪，其中最好的跟踪器是深度RGB跟踪器，具有使用深度图的附加启发式。存在两个潜在的原因导致了该算法：1）缺乏大型RGBD跟踪数据集来训练深度RGBD跟踪器，以及2）VOT RGBD的长期评估协议受益于算法，例如基于深度的遮挡检测。在这项工作中，我们研究了如果使用大量深度数据进行训练，仅D跟踪可以走多远。为了弥补深度数据的不足，我们生成深度图进行跟踪。我们使用生成的数据从头开始训练“深度-DiMP”，并使用可用的小型RGBD跟踪数据集对其进行微调。仅深度DiMP在仅深度跟踪中实现了良好的准确性，并与原始RGB DiMP相结合，端到端训练的RGBD-DiMP优于最近的VOT 2020 RGBD获奖者。
2021-10-22 cs.CV
Quo Vadis: Is Trajectory Forecasting the Key Towards Long-Term Multi-Object Tracking?
Technical University of Munich（慕尼黑工业大学）
单目多目标跟踪的最新发展在跟踪可见对象和桥接短遮挡间隙方面非常成功，主要依赖于数据驱动的外观模型。虽然我们已经显著提高了短期跟踪性能，但桥接较长的遮挡间隙仍然难以实现：最先进的对象跟踪器只能桥接不到10%的超过三秒的遮挡。我们认为，缺少的关键是在较长的时间范围内推理未来的轨迹。直觉上，遮挡间隙越长，可能关联的搜索空间就越大。在本文中，我们表明，即使是一个小而多样的移动代理的轨迹预测集将显着减少这个搜索空间，从而提高长期跟踪的鲁棒性。我们的实验表明，我们的方法的关键组成部分是在鸟瞰图空间中进行推理，并在考虑其定位不确定性的同时生成一组小而多样的预测。通过这种方式，我们可以在MOTChallenge数据集上推进最先进的跟踪器，并显着提高其长期跟踪性能。本文的源代码和实验数据可在https://github.com/dendorferpatrick/QuoVadis上获得。
2022-10-25 cs.CV
Mesh-SORT: Simple and effective location-wise tracker with lost management strategies
Maynooth International Engineering College（梅努斯国际工程学院）；FuZhou University（福州大学）
多目标跟踪技术由于在交通和行人检测中的潜在应用，近年来得到了广泛的关注。我们注意到，通过检测进行跟踪可能会受到噪声检测器产生的误差的影响，例如遮挡之前的不精确的限界框，并观察到在大多数跟踪场景中，对象往往会在特定位置内移动和丢失。为了解决这个问题，我们提出了一种新的跟踪器来处理坏检测器和遮挡。首先，我们提出了一种基于位置的子区域识别方法，该方法将框架进行等分，我们称之为网格。在此基础上提出了相应的位置损耗管理策略和不同的匹配策略。由此产生的Mesh-SORT消融研究证明了其有效性，与MOT 17数据集上的基线相比，碎片减少了3%，ID开关减少了7.2%，MOTA改善了0.4%。最后，分析了该方法在具体场景中的局限性，并对未来的工作进行了展望。
2023-03-12 cs.AI cs.CV
Correlation Tracking via Robust Region Proposals
Beijing Institute of Technology（北京理工大学）
最近，基于相关滤波器的跟踪器由于其简单性和优越的速度而受到广泛关注。然而，当目标由于预定义的采样策略而经历遮挡、视点改变或其他具有挑战性的属性时，这样的跟踪器表现不佳。为了解决这些问题，在本文中，我们提出了一种自适应区域建议方案来促进视觉跟踪。更具体地说，提出了一种新的跟踪监测指标来预测跟踪失败。之后，我们分别结合检测和缩放建议，以从模型漂移中恢复并处理纵横比变化。我们测试了几个具有挑战性的序列，这表明，所提出的跟踪器对国家的最先进的跟踪器表现良好的算法。
2018-06-14 cs.CV
Comparative Study of ECO and CFNet Trackers in Noisy Environment
Kyungpook National University（庆北国立大学）；University of Warwick（华威大学）；Qatar University（卡塔尔大学）
目标跟踪是最具挑战性的任务之一，在过去的二十年里得到了计算机视觉研究人员的极大关注。最近基于深度学习的跟踪器在各种跟踪挑战中表现出良好的性能。跟踪方法应该在诸如变形、低分辨率、遮挡、尺度和光线变化的挑战中准确地跟踪连续帧中的对象。大多数跟踪器在特定的挑战上实现了良好的性能，而不是所有的跟踪问题，因此缺乏可以在所有条件下都表现良好的通用跟踪算法。此外，跟踪技术的性能还没有在嘈杂的环境中进行评估。视觉对象跟踪具有现实世界的应用，并且在监控摄像机中的图像采集期间很有可能会添加噪声。我们的目标是研究两个国家的最先进的跟踪器在噪声的存在下，包括有效的卷积算子（ECO）和相关滤波器网络（CFNet）的鲁棒性。我们的研究表明，这些跟踪器的性能下降的噪声水平的增加，这表明需要设计更强大的跟踪算法。
2018-01-29 cs.CV
GOT-JEPA: Generic Object Tracking with Model Adaptation and Occlusion Handling using Joint-Embedding Predictive Architecture
Department of Computer Science, National Yang Ming Chiao Tung University（国家阳明交通大学计算机科学系）；Research Center for Information Technology Innovation, Academia Sinica（中华学术院信息技术创新研究中心）；Microsoft AI（微软人工智能）
提出GOT-JEPA框架，通过预测跟踪模型而非图像特征来提升泛化能力，并设计OccuSolver增强遮挡感知，在七个基准上验证了有效性。
2026-06-17 cs.AI cs.CV cs.LG
DFR-FastMOT: Detection Failure Resistant Tracker for Fast Multi-Object Tracking Based on Sensor Fusion
Khalifa University（哈利法大学）
持续多目标跟踪（MOT）允许自动驾驶汽车在高度动态的环境中安全导航。MOT中的一个众所周知的挑战是当对象对于后续帧变得不可观察时的对象遮挡。现有的MOT方法将物体的运动轨迹等信息存储在内存中，以实现物体遮挡后的恢复。然而，它们保留短期记忆以节省计算时间并避免减慢MOT方法。因此，在某些遮挡场景中，特别是长遮挡场景中，它们会丢失对象的轨迹。在本文中，我们提出了DFR-FastMOT，这是一种光MOT方法，它使用来自相机和LiDAR传感器的数据，并依赖于对象关联和融合的代数公式。该公式提高了计算时间，并允许长期记忆，以解决更多的闭塞情况。我们的方法在最近的学习和非学习基准测试中表现出出色的跟踪性能，MOTA的保证金分别为3%和4%。此外，我们进行了广泛的实验，模拟遮挡现象，采用各种失真水平的检测器。所提出的解决方案能够在各种失真水平下实现优于当前最先进方法的检测性能。我们的框架在1.48秒内处理约7，763帧，比最近的基准快7倍。该框架可在https://github.com/MohamedNagyMostafa/DFR-FastMOT上查阅。
2023-02-28 cs.CV cs.RO
A Framework for Evaluating 6-DOF Object Trackers
Université Laval（拉瓦尔大学）
我们提出了一个具有挑战性和现实的新数据集评估6自由度的目标跟踪算法。现有的数据集显示出严重的局限性--特别是，不切实际的合成数据，或具有大基准标记的真实数据--阻止社区获得最新技术水平的准确图片。使用基于商业运动捕捉系统的数据采集流水线来获取真实对象相对于Kinect V2相机的准确地面真实姿态，我们建立了一个包含总共297个校准序列的数据集。它们是在三种不同的情况下获得的，以评估跟踪器的性能：稳定性，对遮挡的鲁棒性和在人与物体之间具有挑战性的交互过程中的准确性。我们进行了广泛的研究，深6自由度跟踪架构，并确定了一组最佳参数。我们增强了架构和训练方法，训练6自由度跟踪器，可以鲁棒地概括训练过程中从未见过的对象，并表现出良好的性能相比，以前的方法专门训练的对象跟踪。
2018-09-06 cs.CV
AM-SORT: Adaptable Motion Predictor with Historical Trajectory Embedding for Multi-Object Tracking
Korea University（高丽大学）
针对卡尔曼滤波难以处理非线性运动与遮挡的问题，本文提出AM-SORT，用Transformer结合历史轨迹嵌入替代卡尔曼滤波进行运动预测，并在DanceTrack上取得有竞争力的跟踪性能。
2024-01-25 cs.CV
Subpixel-Precise Tracking of Rigid Objects in Real-time
MVTec Software GmbH（MVTec软件有限公司）
我们提出了一种新的目标跟踪方案，可以跟踪刚性物体在实时的。该方法使用亚像素精确的图像边缘，以高精度跟踪对象。它可以以大约80 fps的亚像素精度确定对象的位置、比例和旋转。跟踪器为每个帧返回可靠的分数，并且能够自我诊断跟踪失败。此外，相似性度量的选择使得该方法固有地对遮挡、杂波和非线性照明变化具有鲁棒性。我们在OTB-2015和VOT 2016数据集的刚性对象序列上评估了该方法，并讨论了其性能。评估表明，跟踪器是更准确的比国家的最先进的实时的跟踪器，同时同样强大。
2018-07-05 cs.CV
Occlusion-Aware SORT: Observing Occlusion for Robust Multi-Object Tracking
College of Computer Science, Sichuan University, Chengdu, China（四川大学计算机学院）；Institute of Optics and Electronics, CAS, Chengdu, China（中国科学院光学精密机械研究所）
本文提出OA-SORT框架，通过引入遮挡感知模块等技术，提升多目标跟踪在遮挡情况下的鲁棒性和准确性。
2026-03-09 cs.CV
DOA-SORT: Directional Occlusion-Aware Multi-Object Tracking with Distributional Observations
BDNRC
提出DOA-SORT，一种在线无训练的方向感知遮挡多目标跟踪器，通过方向性遮挡观测混合模型和自适应噪声，在DanceTrack上显著提升关联质量（HOTA提升3.34）。
2026-09-22 cs.CV cs.IR
Online Visual Tracking with One-Shot Context-Aware Domain Adaptation
Iran University of Science and Technology（伊朗科技大学）
在线学习策略通过学习特定领域的线索使视觉跟踪器对不同的失真更加鲁棒。然而，采用该策略的跟踪器未能充分利用背景区域的歧视性上下文。此外，由于缺乏足够的数据在每个时间步，在线学习的方法也可以使跟踪器容易过度拟合的背景区域。在本文中，我们提出了一个领域自适应的方法来加强的语义背景上下文的贡献。领域自适应方法仅以现成的深度模型为基础。所提出的方法的优势来自于其处理严重遮挡和背景杂波挑战的辨别能力。我们进一步引入了一个成本敏感的损失，减轻非语义背景候选人的语义候选人的主导地位，从而处理数据不平衡的问题。实验结果表明，我们的跟踪器实现竞争力的结果，在实时速度相比，国家的最先进的跟踪器。
2021-04-17 cs.CV
Motion-Guided Dual-Camera Tracker for Endoscope Tracking and Motion Analysis in a Mechanical Gastric Simulator
The Chinese University of Hong Kong（香港中文大学）；Tsinghua University（清华大学）
本文提出运动引导双摄像头跟踪器，通过跨摄像头互模板策略和基于Mamba的运动引导预测头，实现机械胃模拟器中内窥镜尖端三维位置的鲁棒跟踪，性能显著优于现有方法，并能更可靠地区分不同专业水平的内窥镜操作者。
2025-03-10 cs.CV
EANet: Enhanced Attribute-based RGBT Tracker Network
Graduate School of Informatics, METU（中东技术大学信息学院）
本文提出EANet，通过融合RGB与热红外图像并采用增强的基于属性特征选择与聚合模块，在RGBT234和LasHeR数据集上以较少参数量超越现有RGBT跟踪器。
2023-07-04 cs.CV
MFTIQ: Multi-Flow Tracker with Independent Matching Quality Estimation
Czech Technical University in Prague（布拉格捷克技术大学）；Faculty of Electrical Engineering（电气工程学院）
提出MFTIQ模型，通过独立质量估计模块解耦对应质量估计与光流计算，在保持高速处理的同时提升了长期点级视觉跟踪的准确性和灵活性。
2024-11-14 cs.CV
Real-time Visual Object Tracking with Natural Language Description
Boston University（波士顿大学）；Hikvision Research America（海康威视美国研究院）；Horizon Robotics（地平线机器人）；University of Chinese Academy of Sciences（中国科学院大学）
近年来，基于深度学习的视觉对象跟踪器得到了深入研究，但处理目标的遮挡和/或快速运动仍然具有挑战性。在这项工作中，我们认为，条件反射的自然语言（NL）描述的目标提供了长期不变的信息，从而有助于应对典型的跟踪挑战。然而，推导出一个公式来结合基于外观的跟踪与语言模态的优势并不简单。我们提出了一种新的深度跟踪检测配方，可以利用NL的描述。与给定NL描述相关的区域由建议网络在跟踪器的检测阶段期间生成。然后，我们基于LSTM的跟踪器从基于NL的检测阶段提出的区域预测目标的更新。在基准测试中，我们的方法与最先进的跟踪器竞争，同时它在具有明确和精确的语言注释的目标上优于所有其他跟踪器。在没有限界框的情况下初始化时，它也击败了最先进的NL跟踪器。我们的方法在单个GPU上以超过30 fps的速度运行。
2019-12-03 cs.CV
EdgeDAM: Real-time Object Tracking for Mobile Devices
本文提出EdgeDAM，一种轻量级检测引导跟踪框架，通过双缓冲干扰感知记忆和置信度驱动切换机制，在边缘设备上实现鲁棒的实时物体跟踪，提升遮挡和快速运动下的跟踪精度。
2026-04-11 cs.CV
F-Siamese Tracker: A Frustum-based Double Siamese Network for 3D Single Object Tracking
Zhejiang University（浙江大学）；Huawei Noah’s Ark lab（华为诺亚方舟实验室）
本文提出了一种新的单目标跟踪方法F-Siamese Tracker，它的突出特点是更鲁棒地融合了二维和三维信息，减少了冗余的搜索空间。3D单目标跟踪中的主要挑战是如何减少搜索空间以生成合适的3D候选。首先，我们的方法不是仅仅依赖于3D提案，而是利用应用于RGB图像的Siamese网络来产生2D区域提案，然后将其挤出到3D视锥中。此外，我们对3D平截头体进行在线精度验证，以生成精确的点云搜索空间，该空间可以直接嵌入到现有的3D跟踪骨干中。为了提高效率，我们的方法通过减少搜索空间，以较少的候选人获得更好的性能。此外，由于引入了在线精度验证，对于偶尔出现的强遮挡或非常稀疏的点，即使在2D暹罗跟踪器丢失目标的情况下，我们的方法仍然可以达到很高的精度。这种方法使我们能够在稀疏的室外数据集（KITTI跟踪）上设置一个新的最先进的3D单对象跟踪。此外，在2D单目标跟踪上的实验表明，我们的框架也提高了2D跟踪性能。
2020-10-22 cs.CV
Applying r-spatiogram in object tracking for occlusion handling
Concordia University（康考迪亚大学）
目标跟踪是计算机视觉中最重要的问题之一。视频跟踪的目的是提取目标或感兴趣对象的运动轨迹，即在视频序列中准确定位运动目标，并在序列的特征空间中区分目标和非目标。因此，特征描述符可以对这种区分有显著的影响。在本文中，我们使用了许多跟踪器的基本思想，这些跟踪器由参考模型的三个主要组成部分组成，即，对象建模、目标检测和定位以及模型更新。然而，我们的制度有重大改进。我们的第四个组件，遮挡处理，利用r-空间图检测最佳的目标候选人。虽然spatiogram包含一些时刻上的像素的坐标，r-spatiogram计算基于区域的紧凑性上的图像中的给定特征的分布，捕捉更丰富的功能来表示对象。提出的研究开发了一种有效和鲁棒的方法来保持跟踪对象在整个视频序列中存在显着的外观变化和严重的遮挡。在普林斯顿RGBD跟踪数据集上对所提出的方法进行了评估，考虑了具有不同挑战性的序列，所得结果证明了所提出方法的有效性。
2020-03-18 cs.CV
T-SiamTPN: Temporal Siamese Transformer Pyramid Networks for Robust and Efficient UAV Tracking
Department of Electrical Engineering, Amirkabir University of Technology (AUT)（电气工程系，阿米尔卡比尔技术大学）；Qatar Computing Research Institute Hamad Bin Khalifa University（卡塔尔计算研究所，哈马德·本·卡西姆大学）
本文提出T-SiamTPN，通过引入时序特征融合和注意力交互扩展SiamTPN架构，解决了无人机跟踪中的时序依赖和非线性外观变化问题，在Jetson Nano上实现7.1 FPS实时运行，成功率和精度分别提升13.7%和14.7%。
2025-09-16 cs.CV
Robust Mobile Object Tracking Based on Multiple Feature Similarity and Trajectory Filtering
本文提出了一种新的算法来跟踪移动目标在不同的场景条件。提出的跟踪器的主要思想包括估计，多特征相似性度量和轨迹滤波。为每个跟踪对象定义特征集（距离，面积，形状比率，颜色直方图）以搜索最佳匹配对象。将其最佳匹配目标与卡尔曼滤波器估计的目标状态相结合，更新跟踪目标的位置和大小。然而，移动对象的轨迹通常是支离破碎的，因为遮挡和误检测。因此，我们也提出了一个轨迹过滤，称为全球跟踪器，旨在消除噪声轨迹和融合属于同一个移动对象的碎片轨迹。该方法已被测试与不同场景条件下的五个视频。其中三个是由ETISEO基准测试项目（http：//www-sop.inria.fr/orion/ETISEO）提供的，其中所提出的跟踪器性能与其他七种跟踪算法进行了比较。与现有技术相比，我们的方法的优点是：（i）不需要先验知识信息（例如，不需要校准和上下文模型），（ii）跟踪器通过组合多个特征相似性而更可靠，（iii）跟踪器可以在不同的场景条件下执行：单个/多个移动对象、弱/强照明、室内/室外场景，（iv）定义并应用轨迹滤波以提高跟踪器性能，（v）跟踪器性能优于现有技术的许多算法。
2011-06-14 cs.CV
Object Tracking through Residual and Dense LSTMs
Politecnico di Torino（都灵理工大学）
视觉对象跟踪任务在交通监控、机器人和监控等多个应用领域中不断变得重要。处理被跟踪对象的外观变化对于实现高跟踪精度至关重要，并且通常通过不断学习特征来实现。最近，基于LSTM（长短期记忆）循环神经网络的基于深度学习的跟踪器已经成为一种强大的替代方案，绕过了以在线方式重新训练特征提取的需要。受残差和密集网络在图像识别中的成功的启发，我们在这里提出使用残差和/或密集LSTM来增强混合跟踪器的能力。通过引入跳跃连接，可以增加架构的深度，同时确保快速收敛。在Re 3跟踪器上的实验结果表明，DenseLSTM的性能优于残差和常规LSTM，并对遮挡和视野外对象等干扰提供了更高的弹性。我们的案例研究支持采用基于残差的RNN来增强其他跟踪器的鲁棒性。
2020-06-22 cs.CV
Real-time AdaBoost cascade face tracker based on likelihood map and optical flow
Halmstad University（哈尔姆斯塔德大学）
作者提出了一种新颖的人脸跟踪方法，其中将光流信息纳入Viola Jones检测算法的修改版本中。在原始算法中，检测是静态的，因为不考虑来自先前帧的信息。此外，候选窗口必须通过分类级联的所有阶段，否则它们将被丢弃为不包含面部。相比之下，建议的跟踪器保留了每个窗口通过的分类阶段的数量的信息。这些信息被用来建立一个似然图，它代表了一个人脸位于该位置的概率。通过光流计算将似然图的位置外推到下一帧来提供跟踪能力。该算法在标准笔记本电脑上实时的工作。该系统在波士顿头部跟踪数据库上进行了验证，表明所提出的算法在输出限界框的检测率和稳定性方面优于标准的Viola Jones检测器，并且包括处理遮挡的能力。作者还评估了两个最近发表的基于卷积网络和可变形部分模型的人脸检测器，其算法在计算时间的一小部分上显示出相当的准确性。
2022-10-25 cs.CV
D3S -- A Discriminative Single Shot Segmentation Tracker
Faculty of Computer and Information Science, University of Ljubljana（卢布尔雅那大学计算机与信息科学学院）；Faculty of Electrical Engineering, Czech Technical University in Prague（布拉格捷克理工大学电气工程学院）
基于模板的判别式跟踪器由于其鲁棒性而成为当前占主导地位的跟踪范例，但其局限于限界框跟踪和有限范围的变换模型，这降低了其定位精度。本文提出了一种判别式单镜头分割跟踪器D3 S，它缩小了视觉对象跟踪和视频对象分割之间的差距。单次网络应用具有互补几何特性的两个目标模型，一个对广泛的变换（包括非刚性变形）不变，另一个假设刚性对象以同时实现高鲁棒性和在线目标分割。D3 S没有对每个数据集进行微调，并且只对分割进行训练作为主要输出，在VOT 2016，VOT 2018和GOT-10 k基准测试中表现优于所有跟踪器，并且在TrackingNet上的表现接近最先进的跟踪器。D3 S在视频对象分割基准测试中的表现优于领先的分割跟踪器SiamMask，并与顶级视频对象分割算法不相上下，同时运行速度更快一个数量级，接近实时。
2020-04-14 cs.CV
BIT: Biologically Inspired Tracker
South China University of Technology（华南理工大学）；University of Macau（澳门大学）；University of Technology Sydney（悉尼科技大学）
由于物体变形、尺度变化、光照变化和遮挡等多种因素引起的图像变化，视觉跟踪具有挑战性。鉴于人类视觉系统（HVS）优越的跟踪性能，理想的仿生模型设计有望改善计算机视觉跟踪。然而，由于对HVS中神经元的工作机制的不完全理解，这是一项困难的任务。本文旨在解决这一挑战的基础上，在视觉皮层腹侧流的视觉认知机制的分析，模拟浅神经元（S1单位和C1单位）提取低级别的生物启发特征的目标外观和模仿先进的学习机制（S2单位和C2单位）结合生成和判别模型的目标定位。此外，该框架采用快速Gabor逼近（FGA）和快速傅立叶变换（FFT）进行实时学习和检测。在大规模基准数据集上的大量实验表明，所提出的生物启发跟踪器在效率、准确性和鲁棒性方面优于最先进的方法。加速技术特别确保BIT保持大约每秒45帧的速度。
2019-04-23 cs.CV
DepthTrack : Unveiling the Power of RGBD Tracking
Tampere University（坦佩雷大学）；Southern University of Science and Technology（南方科技大学）；University of Birmingham（伯明翰大学）
随着RGBD传感器在机器人等许多应用领域的普及，RGBD（RGB+深度）对象跟踪正在获得发展势头。然而，最好的RGBD跟踪器是最先进的深度RGB跟踪器的扩展。它们使用RGB数据进行训练，深度通道用作遮挡检测等微妙功能的助手。这可以通过以下事实来解释：不存在足够大的RGBD数据集来1）训练深的深度跟踪器和2）利用深度线索对于其是必不可少的序列来挑战RGB跟踪器。这项工作引入了一个新的RGBD跟踪数据集-深度跟踪-它的序列（200）和场景类型（40）是现有最大数据集的两倍，对象（90）是现有数据集的三倍。此外，序列的平均长度（1473）、可变形对象的数量（16）和带注释的跟踪属性的数量（15）已经增加。此外，通过在DepthTrack上运行SotA RGB和RGBD跟踪器，我们提出了一个新的RGBD跟踪基线，即DeT，这表明深度RGBD跟踪确实受益于真正的训练数据。代码和数据集可在https://github.com/xiaozai/DeT上获得
2021-08-31 cs.CV
Online Multi-Object Tracking Framework with the GMPHD Filter and Occlusion Group Management
Gwangju Institute of Science and Technology（光州科学技术院）；LG Electronics（LG电子）；University of Regina（里贾纳大学）
在本文中，我们提出了一个有效的在线多目标跟踪框架的基础上的GMPHD过滤器和遮挡组管理计划，其中GMPHD过滤器利用分层数据关联，以减少漏报造成的漏报。分层数据关联包括两个步骤：检测到跟踪和跟踪到跟踪关联，它可以恢复丢失的磁道和它们的切换ID。此外，建议的框架配备了一个对象分组管理计划，处理遮挡问题的两个主要部分。第一部分是“轨迹合并”，其可以合并由来自遮挡的假阳性检测引起的假阳性轨迹，其中假阳性轨迹通常被度量遮挡。该度量是视觉对象之间的遮挡率，我们定义的交叉面积之和（SIOA）而不是IOU度量。第二部分是“遮挡组能量最小化（OGEM）”，它防止被遮挡的真阳性轨迹发生虚假的“轨迹合并”。我们定义每组被遮挡的物体作为一个能量函数，并找到一个最佳的假设，使能量最小。我们在为多人跟踪而构建的MOT15和MOT17等基准数据集中评估了所提出的跟踪器。在训练数据集上的消融研究表明，不仅“跟踪合并”和“OGEM”相互补充，而且所提出的跟踪方法具有更强大的性能和对参数的敏感性比基线方法。此外，SIOA比IOU更适合各种大小的误报。实验结果表明，所提出的跟踪器有效地处理遮挡的情况下，实现竞争力的性能相比，国家的最先进的方法。特别是，我们的方法显示了最好的多目标跟踪精度之间的在线和实时可执行的方法。
2019-07-31 cs.CV cs.MM
Effective Occlusion Handling for Fast Correlation Filter-based Trackers
The Chinese University of Hong Kong（香港中文大学）
基于相关滤波器的跟踪器严重地遭受由遮挡引起的其响应图中的多个峰值的问题。此外，由于峰值之间的移动带来的不确定性，整个跟踪管道可能会崩溃，这将进一步导致相关滤波器模型的退化。为了缓解遮挡引起的漂移问题，我们提出了一种新的方案来选择特定的过滤器模型，根据不同的场景。具体而言，一个有效的测量函数的设计，以评估滤波器的响应质量。采用一种复杂的策略来判断是否发生遮挡，然后决定如何更新滤波器模型。此外，我们利用对数极坐标法和类对数极坐标法来估计目标的最佳尺度。我们在VOT2018挑战赛和OTB100数据集上评估了我们提出的方法，其实验结果表明，与最先进的跟踪器相比，所提出的跟踪器实现了有前途的性能。
2021-01-01 cs.CV
TracKlinic: Diagnosis of Challenge Factors in Visual Tracking
Temple University（天普大学）；Amazon Web Services（亚马逊云科技）；Stony Brook University（石溪大学）
由于许多挑战因素（例如，遮挡、模糊等）。这些因素中的每一个都可能给跟踪算法带来严重的问题，当它们一起工作时，事情会变得更加复杂。尽管大量的努力致力于了解跟踪算法的行为，可靠的和可量化的方法来研究每个因素的跟踪行为仍然很少。为了解决这个问题，在本文中，我们贡献给社会的跟踪诊断工具包，TracKlinic，跟踪算法的挑战因素的诊断。TracKlinic由两个新组件组成，分别侧重于数据和分析方面。对于数据部分，我们仔细准备了一组2,390个带注释的视频，每个视频都涉及一个且只有一个主要挑战因素。当分析一个算法的一个特定的挑战因素，这种一个因素一个序列的规则大大抑制了其他因素的干扰，从而导致更忠实的分析。对于分析组件，给定所有序列的跟踪结果，它会调查跟踪器在每个单独因素下的行为并自动生成报告。使用TracKlinic，对10个最先进的跟踪器进行了9个挑战因素（包括两个复合因素）的全面研究。结果表明，严重的形状变化和遮挡是大多数跟踪器面临的两个最具挑战性的因素。此外，视野外，虽然不经常发生，但往往是致命的。通过共享TracKlinic，我们希望能够更容易地诊断跟踪算法，从而促进开发更好的算法。
2019-11-25 cs.CV
A Structural Correlation Filter Combined with A Multi-task Gaussian Particle Filter for Visual Tracking
UTS（悉尼科技大学）；FZU（福州大学）
本文提出了一种新的结构相关滤波器结合多任务高斯粒子滤波（KCF-GPF）模型的鲁棒视觉跟踪。我们首先提出了一个组装结构，几个KCF跟踪器作为弱专家提供了一个高斯粒子滤波器的初步决定，作出最终决定。所提出的方法旨在利用和补充KCF和高斯粒子滤波器的强度。与现有的基于相关滤波或粒子滤波的跟踪方法相比，该跟踪器具有许多优点。首先，通过弱KCF跟踪器在大范围搜索范围内检测跟踪目标，并评估弱跟踪器\rq判决的可靠性，从而使高斯粒子滤波器做出强判决，从而能够处理快速运动、外观变化、遮挡和重检测等问题。其次，它可以通过高斯粒子滤波器有效地处理大规模变化。第三，它可以服从于完全并行实现使用重要性采样没有复位，从而它是方便的VLSI实现，可以降低计算成本。在包含50个具有挑战性的序列的OTB-2013数据集上进行的大量实验表明，所提出的算法对16个最先进的跟踪器表现良好。
2018-03-03 cs.CV
Automatic Parameter Adaptation for Multi-object Tracking
INRIA（法国国家信息与自动化研究所）
对象跟踪质量通常取决于视频上下文（例如对象遮挡水平、对象密度）。为了减少这种依赖性，本文提出了一种学习方法，以适应跟踪器参数的上下文变化。在离线阶段中，为视频上下文聚类学习令人满意的跟踪参数。在在线控制阶段，一旦检测到上下文变化，就使用学习值来调谐跟踪参数。实验结果表明，该方法的性能优于现有的跟踪器。本文的主要贡献有两个方面：（1）提出了一种基于视频序列分类的离线跟踪参数学习方法;（2）提出了一种基于跟踪上下文的在线跟踪参数调整方法。
2013-05-13 cs.CV
Object Tracking by Reconstruction with View-Specific Discriminative Correlation Filters
Tampere University of Technology（坦佩雷理工大学）；University of Ljubljana（卢布尔雅那大学）；Czech Technical University in Prague（布拉格捷克理工大学）
标准的RGB-D跟踪器将目标视为固有的2D结构，这使得建模外观变化甚至与简单的平面外旋转有关，这非常具有挑战性。我们通过提出一种新的长期RGB-D跟踪器-重建对象跟踪（OTR）来解决这个限制。跟踪器执行在线3D目标重建，以促进一组视图特定的判别相关滤波器（DCF）的鲁棒学习。3D重建支持两个性能增强特征：（i）从其2D投影生成用于约束DCF学习的精确空间支持，以及（ii）基于点云的3D姿态变化估计，用于选择和存储视图特定的DCF，其用于在视图外旋转或严重遮挡之后鲁棒地定位目标。在具有挑战性的普林斯顿RGB-D跟踪和STC基准上对OTR进行了广泛的评估，结果表明它的性能大大优于最先进的技术。
2018-11-27 cs.CV
Object Tracking Using Spatio-Temporal Future Prediction
Nanjing University of Science and Technology（南京理工大学）；Yale-NUS College（耶鲁-新加坡国立大学学院）；National University of Singapore（新加坡国立大学）
遮挡是一个长期存在的问题，导致许多现代跟踪方法是错误的。在本文中，我们解决了遮挡问题，利用当前和未来的可能位置的目标对象从其过去的轨迹。为了实现这一目标，我们引入了一种基于学习的跟踪方法，该方法考虑了背景运动建模和轨迹预测。我们的轨迹预测模块根据对象的过去轨迹预测目标对象在当前和未来帧中的位置。由于在输入视频中，目标对象的轨迹不仅受到对象运动的影响，而且还受到摄像机运动的影响，因此我们的背景运动模块估计摄像机运动。为了在基于外观的跟踪器和轨迹预测之间动态切换，我们采用了一个网络，可以评估跟踪预测的好坏，我们使用评估分数来选择基于外观的跟踪器的预测和基于轨迹的预测。综合评价表明，该方法设置了一个新的国家的最先进的性能常用的跟踪基准。
2020-10-15 cs.CV
HIPTrack: Visual Tracking with Historical Prompts
Beihang University（北京航空航天大学）；Zhongguancun Laboratory（中关村实验室）；Hangzhou Innovation Institute, Beihang University（北京航空航天大学杭州创新研究院）
本文提出历史提示网络，为孪生范式跟踪器提供精确更新的历史前景掩码与视觉特征，构建无需重训练即可显著提升性能的 HIPTrack，并在多个基准上超越现有最先进方法。
2024-04-02 cs.CV
Part-based Visual Tracking via Structural Support Correlation Filter
School of Computer & Information Technology, Shanxi University（山西大学计算机与信息技术学院）；Key Laboratory of Computational Intelligence and Chinese Information Processing of Ministry of Education, Shanxi University（山西大学计算智能与中文信息处理教育部重点实验室）；Institute of Big Data Science and Industry, Shanxi University（山西大学大数据科学与产业研究院）
最近，基于部分和基于支持向量机（SVM）的跟踪器已经显示出良好的性能。然而，耗时的在线培训和更新过程限制了其实时应用。为了更好地处理部分遮挡问题，提高跟踪效率，本文提出了一种基于部分结构支持相关滤波的跟踪方法，该方法吸收了支持向量机的强鉴别能力和基于部分的跟踪方法对部分遮挡不敏感的优良特性。然后，我们提出的模型可以学习支持相关过滤器的每个部分联合的星型结构模型，它保持了空间布局结构的零件和容忍离群的零件。此外，为了进一步减轻从对象漂移的问题，我们在我们的模型中引入了局部部分的帧间重叠。最后，在我们的模型中，我们通过可靠部分之间的相对距离变化来准确地估计对象的尺度变化。在OTB2015、TempleColor128和VOT2015三个基准数据集上进行的大量实证评估表明，该方法在跟踪精度、速度和鲁棒性方面优于几种最先进的跟踪器。
2018-05-25 cs.CV
Mutation Sensitive Correlation Filter for Real-Time UAV Tracking with Adaptive Hybrid Label
Tongji University（同济大学）
基于无人机（UAV）的视觉跟踪面临着许多挑战，例如，物体运动和遮挡。这些挑战通常会引入目标外观的意外突变并导致跟踪失败。然而，由于预定义的标签，普遍的基于判别相关滤波器（DCF）的跟踪器对目标突变不敏感，该标签仅集中在训练区域的中心。同时，由于遮挡或相似物体引起的外观突变通常会导致不可避免的错误信息学习。为了应对外观突变，本文提出了一种新的基于DCF的方法，以提高敏感性和突变的抗性与自适应混合标签，即，MSCF。理想标签与相关滤波器联合优化，并保持时间一致性。此外，一种新的突变的测量称为突变威胁因子（MTF）被应用到动态校正的标签。在广泛使用的无人机基准上进行了大量的实验。结果表明，MSCF跟踪器的性能优于其他26个最先进的基于DCF和深基跟踪器。在38帧/s的实时的【形】速度下，所提出的方法足以用于无人机跟踪任务。
2021-06-15 cs.CV cs.RO
Learning a Robust Society of Tracking Parts
Bitdefender；University of Bucharest（布加勒斯特大学）；University Politehnica of Bucharest（布加勒斯特理工大学）
目标跟踪是计算机视觉中的一项重要任务，从该领域的早期就开始研究。能够跟踪视频序列中经历不同变换的对象，包括尺度、照明、形状和遮挡的变化，使得问题变得非常困难。真正的挑战之一是跟踪对象外观的变化，而不是向背景杂波漂移。与以往的方法不同，我们获得了对背景的鲁棒性与跟踪器模型，它是由许多不同的部分。它们是在不同尺度和位置响应的分类器。跟踪系统作为一个由各个部分组成的社会发挥作用，每个部分都有自己的作用和可信度。可靠的分类器决定跟踪器的下一步行动，而新来者在获得参与决策过程所需的可靠性之前首先受到监视。一些失去一致性的部分被拒绝，而另一些在足够长的时间内表现出一致性的部分则被提升为永久角色。整个跟踪系统也可能经历不同的阶段，从通常的正常运作到协议薄弱甚至危机的状态。跟踪器系统在每个状态下具有不同的管理规则。真正将我们的工作与其他人区分开来的不一定是单个跟踪部件的强度，而是它们协同工作并建立强大而强大的组织的方式。我们还提出了一种有效的方法来同时学习多个跟踪部分，一个单一的封闭形式制定。我们在具有挑战性的OTB50数据集上获得了具有最先进性能的快速鲁棒跟踪器。
2017-05-26 cs.CV
Alpha-Refine: Boosting Tracking Performance by Precise Bounding Box Estimation
Dalian University of Technology（大连理工大学）；Peng Cheng Laboratory（鹏城实验室）；Remark AI
视觉目标跟踪的目标是精确地估计给定目标的限界框，这是一个具有挑战性的问题，由于变形和遮挡等因素。近年来，许多跟踪器采用多阶段跟踪策略来提高限界框估计的质量。这些方法首先粗略地定位目标，然后在接下来的阶段中细化初始预测。然而，现有的方法仍然受到有限的精度，不同阶段的耦合严重限制了方法的可移植性。本文提出了一种新的、灵活的、精确的细化模块Alpha-Refine（AR），它可以显著提高基本跟踪器的框估计质量。通过探索一系列的设计方案，我们得出结论，成功的细化的关键是提取和维护尽可能详细的空间信息。遵循这一原则，Alpha-Refine采用逐像素相关、角点预测头和辅助掩模头作为核心部件。在TrackingNet、LaSOT、GOT-10 K和VOT 2020基准测试中，使用多个基本跟踪器进行的综合实验表明，我们的方法在几乎没有额外延迟的情况下显着提高了基本跟踪器的性能。所提出的Alpha-Refine方法导致了一系列增强的跟踪器，其中ARSiamRPN（AR增强的SiamRPNpp）和ARDiMP 50（AR增强的DiMP 50）实现了良好的效率-精度权衡，而ARDiMPsuper（AR增强的DiMP-super）在实时速度上实现了非常有竞争力的性能。代码和预训练模型可在https://github.com/MasterBin-IIAU/AlphaRefine上获得。
2021-07-11 cs.CV
MAT: Motion-Aware Multi-Object Tracking
Huazhong University of Science and Technology（华中科技大学）；Nanyang Technological University（南洋理工大学）
现代多目标跟踪（MOT）系统通常通过关联每帧检测来对轨迹进行建模。然而，当相机运动、快速运动和遮挡挑战发生时，很难确保长距离跟踪甚至轨迹片段纯度，特别是对于小物体。虽然经常采用重新识别，但由于噪声部分检测，相似的外观，以及缺乏时间-空间约束，它不仅不可靠且耗时，而且仍然不能解决遮挡和模糊对象的假阴性。在本文中，我们提出了一个增强的MOT范式，即运动感知跟踪器（MAT），更侧重于不同对象的各种运动模式。将摄像机的刚性运动和行人的非刚性运动相融合，形成了完整的运动定位模块。同时，我们引入了动态重连上下文模块，该模块旨在平衡基于长距离运动的重连的鲁棒性，并包括循环伪观测更新策略，以平滑地填充由于遮挡或模糊引起的跟踪片段。此外，三维积分图像模块，提出了有效地削减无用的跟踪检测关联连接的时间和空间的限制。在MOT 16和MOT 17挑战性基准上进行的大量实验表明，与其他最先进的跟踪器相比，我们的MAT方法可以以高效率实现更高的性能。
2020-09-18 cs.CV
Track without Appearance: Learn Box and Tracklet Embedding with Local and Global Motion Patterns for Vehicle Tracking
Zhejiang University（浙江大学）；Hangzhou Dianzi University（杭州电子科技大学）；Guangdong University of Petrochemical Technology（广东石油化工学院）；University of Washington（华盛顿大学）
车辆跟踪是多目标跟踪领域的一项重要任务。车辆跟踪的一个显著特点是车辆的轨迹在世界坐标系和图像坐标系中都是相当平滑的。因此，捕捉运动轨迹的模型是非常必要的。然而，使用独立的基于运动的跟踪器进行跟踪是相当具有挑战性的，因为目标很容易由于有限的信息、检测误差和遮挡而丢失。利用外观信息来辅助对象重新识别可以在一定程度上解决这一挑战。然而，这样做需要额外的计算，而外观信息也对遮挡敏感。在本文中，我们试图探讨的意义，运动模式的车辆跟踪没有外观信息。我们提出了一种新颖的方法，通过独家充分利用的运动信息来解决长期跟踪的关联问题。我们提出了基于深度图卷积神经网络（GCN）的重构嵌入策略来解决轨迹嵌入问题。在KITTI汽车跟踪数据集和UA-Detrac数据集上的综合实验表明，该方法虽然没有外观信息，但可以达到与最先进的（SOTA）跟踪器竞争的性能。源代码将在https://github.com/GaoangW/LGMTracker上提供。
2021-08-13 cs.CV
Search Tracker: Human-derived object tracking in-the-wild through large-scale search and retrieval
Georgia Institute of Technology（佐治亚理工学院）；Anonymous University（匿名大学）
在复杂的光照变化、场景混乱和遮挡的情况下，人类使用上下文和场景知识来轻松地定位移动对象。在本文中，我们提出了一种方法来利用人类知识的形式注释的视频库在一个新的搜索和检索为基础的设置来跟踪对象看不见的视频序列。对于每个视频序列，生成表示运动信息的文档。在多个尺度下针对库查询未看到的视频的文档，以找到具有相似运动特征的视频。这为我们提供了未看到的视频中的对象的粗略定位。我们进一步调整这些检索到的对象位置，以新的视频使用一个有效的变形方案。所提出的方法在野外视频监控数据集上进行了验证，在这些数据集上，我们的性能优于最先进的基于外观的跟踪器。我们还引入了一个新的具有挑战性的数据集，具有复杂的对象外观变化。
2016-02-05 cs.CV cs.MM
BihoT: A Large-Scale Dataset and Benchmark for Hyperspectral Camouflaged Object Tracking
School of Information and Electronics, Beijing Institute of Technology（信息与电子学院，北京理工大学）；Beijing Key Laboratory of Fractional Signals and Systems（北京分数信号与系统重点实验室）；National Key Laboratory of Science and Technology on Space-Born Intelligent Information Processing（空间生智能信息处理国家重点实验室）；Department of Electrical and Computer Engineering, University of Delaware（电气与计算机工程系，德雷塞尔大学）；Department of Electrical and Computer Engineering, Mississippi State University（电气与计算机工程系，密苏里州立大学）
本文提出高光谱伪装目标跟踪任务，构建包含49个序列、41,912张图像的BihoT大规模数据集，并设计融合光谱提示与干扰感知的SPDAN基线，取得先进跟踪性能。
2025-05-11 cs.CV
SatSAM2: Motion-Constrained Video Object Tracking in Satellite Imagery using Promptable SAM2 and Kalman Priors
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；School of Geospatial Engineering and Science, Sun Yat-sen University（中山大学测绘工程与科学学院）
本文提出SatSAM2，一种基于SAM2的零样本卫星视频跟踪器，通过引入卡尔曼滤波约束运动模块和运动约束状态机，提升跟踪鲁棒性，并在MatrixCity视频物体跟踪基准上验证了其优越性。
2026-04-23 cs.CV
eMoE-Tracker: Environmental MoE-based Transformer for Robust Event-guided Object Tracking
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Nanyang Technological University (NTU)（南洋理工大学）
针对现有事件-帧多模态跟踪忽略环境属性、模板与搜索特征交互不足的问题，提出含eMoE环境解耦组装模块和CRM对比关系建模模块的eMoE-Tracker框架，在多基准上取得SOTA性能。
2024-11-04 cs.CV
A Bayesian Filter for Multi-view 3D Multi-object Tracking with Occlusion Handling
Curtin University（科廷大学）；RMIT University（皇家墨尔本理工大学）
本文提出了一种在线多摄像机多目标跟踪器，只需要单目检测器的培训，独立的多摄像机配置，允许无缝扩展/删除的相机，而无需重新训练的努力。所提出的算法在跨相机的检测总数中具有线性复杂度，因此随着相机的数量优雅地缩放。它在3D世界框架中运行，并提供对象的3D轨迹估计。关键的创新是一个高保真但易处理的3D遮挡模型，服从最佳贝叶斯多视图多对象过滤，无缝集成，到一个单一的贝叶斯递归，子任务的轨道管理，状态估计，杂波抑制，和遮挡/误检测处理。该算法在最新的WILDTRACKS数据集上进行了评估，并在一个新的数据集上证明了该算法在非常拥挤的场景中工作。
2020-10-27 cs.CV eess.IV eess.SP
Offline Tracking with Object Permanence
Delft University of Technology（代尔夫特理工大学）
本文提出一种利用物体永久性概念的离线跟踪模型，通过Re-ID模块和轨迹补全模块恢复被遮挡物体的轨迹，显著提升3D多目标跟踪性能，可用于离线自动标注。
2024-05-04 cs.CV
Global Instance Tracking: Locating Target More Like Humans
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；CAS Center for Excellence in Brain Science and Intelligence Technology（中国科学院脑科学与智能技术卓越创新中心）
目标跟踪是人类视觉系统的基本能力，人们已经用计算机视觉任务来模拟目标跟踪。然而，现有的跟踪器在严峻的实验环境中表现良好，但在遮挡和快速运动等挑战中失败。巨大的差距表明，研究只衡量跟踪性能，而不是智力。如何科学判断追踪者的智能水平？与决策问题不同，缺乏三个条件（具有挑战性的任务，公平的环境和科学的评估程序）使其难以回答问题。在这篇文章中，我们首先提出了全局实例跟踪（GIT）任务，这是应该搜索一个任意的用户指定的实例在视频中没有任何假设的相机或运动的一致性，以模拟人类的视觉跟踪能力。随后，我们构建了一个高质量、大规模的基准测试VideoCube，以创建一个具有挑战性的环境。最后，我们设计了一个科学的评估程序，以人类的能力为基准来判断跟踪智能。此外，我们还提供了一个在线平台，包括工具包和更新的排行榜。虽然实验结果表明跟踪器和人类之间存在一定的差距，但我们希望向前迈出一步，生成真正的类人跟踪器。数据库、工具包、评估服务器和基线结果可在http://videocube.aitestunion.com上获得。
2022-02-26 cs.CV
FutrTrack: A Camera-LiDAR Fusion Transformer for 3D Multiple Object Tracking
University of Wuppertal（乌珀塔尔大学）；Institute of Computer Science, Osnabrück University（计算机科学研究所，奥斯纳布鲁克大学）
FutrTrack通过融合相机与激光雷达数据，利用基于变压器的跟踪框架，在多目标跟踪中实现了高效且鲁棒的跟踪性能。
2025-12-15 cs.CV
Vehicle Detection and Tracking From Surveillance Cameras in Urban Scenes
Polytechnique Montreal（蒙特利尔综合理工学院）；Cysca Technologies（Cysca技术公司）
在城市场景中检测和跟踪车辆是许多交通相关应用中的关键一步，因为它有助于提高道路使用者的安全性。在多目标跟踪中，目标信息描述、长时间遮挡和快速运动等问题仍然是一个亟待解决的难题。我们提出了一个多车辆检测和跟踪系统跟踪的检测范式，解决了前面提到的挑战。我们的MOT方法扩展了基于交集的跟踪器与车辆重新识别功能。这使我们能够利用外观信息，以更好地匹配对象后，长的闭塞阶段和/或当对象的位置显着转移，由于快速运动。我们在UA-DETRAC基准测试中优于我们的基线MOT方法，同时保持适合在线用例的总处理速度。
2021-09-25 cs.CV
