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。