COESOT
PulseAugur coverage of COESOT — every cluster mentioning COESOT across labs, papers, and developer communities, ranked by signal.
-
新AI框架利用多模态数据增强多目标跟踪能力
研究人员开发了利用多模态数据的新型多目标跟踪框架。其中一种方法DRTrack利用多模态大语言模型和深度信息,根据语言描述跟踪特定目标,克服了仅使用2D方法的局限性。另一种方法UniMergeTrack采用分层模型合并,整合来自热成像、事件和深度数据等不同传感器模态的知识,提高了跟踪的鲁棒性和在各种基准测试中的泛化能力。
-
新的APRTrack框架提高了RGB-事件视觉目标跟踪的鲁棒性
研究人员开发了APRTrack,一个旨在增强RGB-事件视觉目标跟踪在挑战性环境中的新颖框架。该系统通过在模态和空间层面采用对抗扰动来解决目标可见性部分和RGB或事件传感器数据退化等问题。它还包含一个足迹引导的通道校准Hopfield检索(FCHR)模块,用于可靠地补偿历史信息,确保即使在目标数据不完整的情况下也能保持跟踪精度。
-
新的ISTASTrack系统融合ANN和SNN以增强视觉跟踪
研究人员开发了ISTASTrack,一种新颖的混合跟踪系统,它结合了人工神经网络(ANN)和脉冲神经网络(SNN)来实现RGB-事件视觉对象跟踪。该系统利用基于Transformer的架构和专用的ISTA适配器,促进RGB和事件数据流之间的双向特征交互。该方法旨在有效地融合来自这些异构源的信息,从而在基准数据集上实现最先进的性能和高能效。
-
OneTrackerV2 使用双专家混合统一多模态视觉跟踪
研究人员开发了一种新的基于事件的视觉对象跟踪框架,该框架通过显式建模跨多个时间尺度的事件密度变化来解决现有方法的局限性。该方法将稀疏、中密度和密集事件搜索区域注入 Vision Transformer 主干以进行分层特征学习。此外,还引入了稀疏感知专家混合模块和动态思考策略,以增强专业化并根据跟踪难度调整推理深度,在基准数据集上显示出有利的准确性-效率权衡。