基于目标检测和场景流估计联合优化的3D多目标跟踪OA北大核心CSTPCD
大多数3D多目标跟踪方法独立优化目标检测和帧间数据关联部分,没有考虑单帧的特征学习和帧间关联学习的耦合性。为了实现单帧检测和帧间关联的耦合学习,提出了一种基于目标检测和场景流估计联合优化的3D多目标跟踪框架FlowDet-Track。在该框架中,提出了一个检测引导场景流估计模块来缓解不正确的帧间关联。为了获得更准确的场景流标签,特别是在旋转运动的情况下,提出了一种基于框变换的场景流真值计算方法。在KITTI MOT数据集上的实验结果表明,本文算法的车辆类别HOTA与DetA指标比PointTrackNet算法提升了25.03%和30.8%,表明本文算法的位置跟踪精度优异;此外,极端旋转运动条件下的对比实验进一步证明了算法的鲁棒性。
王光明;宋亮;沈玥伶;王贺升;
剑桥大学工程系,英国剑桥CB21PZ中国矿业大学信息与控制工程学院,江苏徐州221116上海交通大学电子信息与电气工程学院,上海200240
计算机与自动化
多目标跟踪场景流目标检测
《机器人》 2024 (005)
P.554-561 / 8
国家杰出青年科学基金(62225309);国家自然科学基金(U1913204)。
评论