DanceTrack
PulseAugur coverage of DanceTrack — every cluster mentioning DanceTrack across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的MOTIP2跟踪器在多目标跟踪领域达到最先进水平
研究人员开发了MOTIP2，一个新颖的端到端多目标跟踪系统，该系统整合了空间先验以提高准确性并减少不合理的错误。该系统在数据、损失和表示阶段引入了三个空间先验来指导跟踪过程。在DanceTrack、SportsMOT和PersonPath22等基准测试上进行评估时，MOTIP2取得了新的最先进结果，性能优于先前的方法。
-
Vision-Language Agents Adapt Trackers Without Target Labels
研究人员开发了一个新颖的系统，该系统利用视觉语言模型（VLM）在目标域中无需任何标记数据即可将对象跟踪管道适应新域。该VLM充当诊断代理，检查跟踪输出，识别视觉故障模式，并迭代地建议参数更新。该系统在性能上显示出显著的改进，在具有挑战性的域迁移中恢复了相当一部分丢失的准确性，并且仅在必要时选择性地修改配置，从而在更容易的迁移中保持性能。
-
SelfMOTR 凭借自生成检测先验改进多目标跟踪
研究人员推出了一种新颖的多目标跟踪方法 SelfMOTR，该方法使用自生成的内部检测先验来解耦提议发现与关联。该方法借鉴了大型语言模型中的注意力汇聚分析，利用了端到端 Transformer 跟踪器固有的检测能力。SelfMOTR 表现强劲，在 DanceTrack 数据集上达到了 69.2 HOTA，在 Bird Flock Tracking (BFT) 数据集上达到了领先的 71.1 HOTA。
-
新的主动学习方法QPID针对多目标跟踪（MOT）数据标注中的跟踪不稳定性
研究人员开发了QPID（Query-Propagation Instability and Diversity），一种新颖的剪辑级主动学习方法，旨在降低多目标跟踪（MOT）模型数据标注的成本。QPID专注于识别和选择在传播轨迹状态中表现出关联不稳定的视频剪辑，这是以往依赖输出级时间不确定性进行选择的方法常常忽略的一个因素。通过扰动内部轨迹状态并测量预测差异，QPID量化不稳定性并选择多样化、信息量大的剪辑进行标注，在与MeMOTR和S…
-
SpikingMOT 使用脉冲神经网络实现高效多目标跟踪
研究人员开发了 SpikingMOT，一个新颖的多目标跟踪系统，它利用脉冲神经网络（SNN）以显著减少的参数和能耗实现最先进的性能。这种受大脑启发的[方法]通过分解轨迹状态并使用预测误差进行校准来模拟稀疏轨迹动力学。SpikingMOT 在 SportsMOT 和 DanceTrack 等基准数据集上展示了卓越的结果，标志着高效目标跟踪方面取得了有希望的进展。
-
AI模型绘制持久颜色以追踪视频中的对象
研究人员开发了一种新颖的多目标追踪方法，利用文本到视频扩散模型LTX-2.3为每个对象生成持久的身份颜色。该模型不依赖于传统的检测和关联方法，而是直接为对象绘制独特且持久的颜色，从而有效地在视频序列中保持身份。尽管这种生成式追踪器在DanceTrack基准测试中取得了40.3 HOTA的可观成绩，但其性能低于专用追踪器，尽管在关联准确性方面表现出色。值得注意的是，该模型展示了一种涌现的重新识别能力，即使在超过其时间上下文的遮挡后也能成…
-
新的HieDG框架离散化几何以改进多动物追踪
研究人员开发了HieDG，一个新颖的多动物追踪框架，解决了外观相似和高密度等挑战。与依赖启发式关联或连续几何嵌入的先前方法不同，HieDG将位置、尺度和速度等几何线索离散化为稳定的标记。这些离散标记与视觉嵌入集成在一个基于查询的追踪器中，以提高身份一致性。在特定动物和通用多目标追踪基准上的实验表明，HieDG实现了最先进的关联性能。
-
新的PS-Track方法推进了点监督下的多目标跟踪
研究人员开发了PS-Track，一种利用点状监督而非传统边界框的新型多目标跟踪管道。该方法通过使用时间反馈提示（Temporal-Feedback Prompting）将点演变为时间上一致的伪标签来解决空间模糊等挑战。点激发小波注意力（Point-Excited Wavelet Attention）模块有助于虚构对象边界，而基于不确定性的高斯学习（Uncertainty-Guided Gaussian Learning）则校准监督强度…
-
新的跟踪方法选择性地使用VOS以提高对象身份识别能力
研究人员开发了SAM-Deep-EIoU，一种新颖的多目标跟踪方法，仅在基础跟踪器遇到不确定性时选择性地采用更强大的视频对象分割（VOS）模型。该方法无需训练，并将现有跟踪器视为黑盒，旨在提高在挑战性帧中的身份保持能力。在SportsMOT基准测试中，SAM-Deep-EIoU取得了86.8 HOTA分数的最先进性能。