.png){kind=icon}
返回
HAMOT: A Hierarchical Adaptive Framework for Robust Multi-Object Tracking in Complex Environments
.png){kind=icon}
PRE
AI
DOI：10.32604/cmes.2025.069956.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多目标跟踪（MOT）对于自动驾驶、监控和分析等应用至关重要；然而，遮挡、低分辨率成像和身份切换等挑战依然持续存在。我们提出HAMOT，一种层次化自适应多目标跟踪器，通过一个新颖的统一框架解决这些挑战。与依赖独立组件的先前方法不同，HAMOT整合了一个基于Swin Transformer的自适应增强（STAE）模块——包括场景自适应Transformer增强和置信度自适应特征精炼——以改善低可见度条件下的检测。层次化的动态图神经网络结合时序注意力（DGNN-TA）同时建模短期和长期关联，而自适应无迹卡尔曼滤波器结合门控循环单元（AUKF-GRU）确保精确的运动预测。新颖的基于图的密度感知聚类（GDAC）通过适应场景密度提高遮挡恢复能力，同时保持身份完整性。这种集成方法使系统能够自适应响应复杂视觉场景，在所有评估指标上均取得卓越性能，包括在MOT17上达到67.05%的高阶跟踪准确率（HOTA）、82.4%的多目标跟踪准确率（MOTA）、83.1%的ID F1得分（IDF1）以及1052次身份切换（IDSW）；在MOT20上达到66.61%的HOTA、78.3%的MOTA、82.1%的IDF1以及748次IDSW；在DanceTrack上达到66.4%的HOTA、92.32%的MOTA和68.96%的IDF1。在固定阈值下，完整的HAMOT模型（所有六个组件）在RTX3090上以24 FPS实现实时功能，确保了实际MOT应用中的鲁棒性和可扩展性。
Keyword:
Occlusions
MOT
low-resolution
association
trajectory
tracking
期刊
C
IF:
2.5
论文数:
44
被引数:
4.4K
机构
引用论文
.png){kind=icon}
Adaptive probabilistic multi-model framework for robust 3D multi-object tracking under uncertainty不确定性下鲁棒3D多目标跟踪的自适应概率多模型框架
PREAI
分享收藏
查看更多内容