ReDocTingのBlog

OC-Sort 常规追踪器基于卡尔曼滤波（KF）和多目标追踪（MOT）方法假设物体线性移动。这种常规方法在短期遮挡是可以接受的，但在长时间的遮挡会导致运动的线性估计非常不准确。并且先验状态估计进行后验更新会导致遮挡期间误差积累。 OC-SORT对遮挡期间的噪声积累进行适当处理，基本的KF仍能进行最先进的跟踪性能。 与依赖线性状态估计（估计中心的方法）不同，使用了物体的观测值（通过物体检测器的测量）来计算遮挡期间的虚拟轨迹，修正遮挡会期间滤波器参数的误差累积。 这允许在更多的时间步长上纠正遮挡期间的误差，基于此方法观测的SORT（OC-SORT）。 保持了简单、在线、实时的特点，在遮挡和非线性运动期间提高了鲁棒性。 在给定线程的检测输入的情况下，OC-SORT在单个CPU上以700+FPS的速度运行。 在MOT17、MOT20、KITTI、head tracking和DanceTrack上取得了先进的表现 GitHub - noahcao/OC_SORT Introduction 指出了线性运动中，sort所使用的KF的局限性。 高帧率视频的连续帧之间，物体位移的噪声量级可 ...

OC-Sort 常规追踪器基于卡尔曼滤波（KF）和多目标追踪（MOT）方法假设物体线性移动。这种常规方法在短期遮挡是可以接受的，但在长时间的遮挡会导致运动的线性估计非常不准确。并且先验状态估计进行后验更新会导致遮挡期间误差积累。 OC-SORT对遮挡期间的噪声积累进行适当处理，基本的KF仍能进行最先进的跟踪性能。 与依赖线性状态估计（估计中心的方法）不同，使用了物体的观测值（通过物体检测器的测量）来计算遮挡期间的虚拟轨迹，修正遮挡会期间滤波器参数的误差累积。 这允许在更多的时间步长上纠正遮挡期间的误差，基于此方法观测的SORT（OC-SORT）。 保持了简单、在线、实时的特点，在遮挡和非线性运动期间提高了鲁棒性。 在给定线程的检测输入的情况下，OC-SORT在单个CPU上以700+FPS的速度运行。 在MOT17、MOT20、KITTI、head tracking和DanceTrack上取得了先进的表现 GitHub - noahcao/OC_SORT Introduction 指出了线性运动中，sort所使用的KF的局限性。 高帧率视频的连续帧之间，物体位移的噪声量级可 ...

一级标题二级标题三级标题四级标题五级标题六级标题123456# 一级标题## 二级标题### 三级标题#### 四级标题##### 五级标题###### 六级标题 代码 效果 *这是斜体* 这是斜体 _这是斜体_ 这是斜体 **这是粗体** 这是粗体 __这是粗体__ 这是粗体 ***这是粗斜体*** 这是粗斜体 ___这是粗斜体___ 这是粗斜体 这是一个引用： 这是一个引用的引用 这是一个引用的引用的引用 123456[链接名称](链接地址)<链接地址>即是：[这是小白的主页](https://redocting.com)或者<https://redocting.com> 链接名称<链接地址>即是：这是小白的主页或者https://redocting.com 12345678* 无序列表 1+ 无序列表 2- 无序列表 31. 有序列表 12. 有序列表 23. 有序列表 3 无序列表 1 无序列表 2 无序列表 3 有序列表 1 有序列表 2 有序列表 3 1234567分割 ...

个人计划阅读内容，读完会添加笔记连接，阅读列表持续更新。 阅读列表计算机视觉 - CNN 已读 年份 名字 简介 引用 2012 AlexNet 深度学习热潮的奠基作 2014 VGG 使用 3x3 卷积构造更深的网络 2014 GoogleNet 使用并行架构构造更深的网络 2015 ResNet 构建深层网络都要有的残差连接。 2017 MobileNet 适合终端设备的小CNN 2019 EfficientNet 通过架构搜索得到的CNN 2021 Non-deep networks 让不深的网络也能在ImageNet刷到SOTA 计算机视觉 - Transformer 已读 年份 名字 简介 引用 2020 ViT Transformer杀入CV界 2021 Swin Transformer 多层次的Vision Transformer 2021 MLP-Mixer 使用MLP替换self-attention 2021 MAE BERT的CV版 生成模型 已读 年份 ...

论文Index TermsComputer Vision、Multipel Object Tracking 、Data Association Step title——标题 abstract——摘要 intro——导言 method——方法 experiment——实验 conclusion——结论 三遍阅读 pass1——摘要+结论 pass2——

Welcome to Hexo! This is your very first post. Check documentation for more info. If you get any problems when using Hexo, you can find the answer in troubleshooting or you can ask me on GitHub. Quick StartCreate a new post1$ hexo new "My New Post" More info: Writing Run server1$ hexo server More info: Server Generate static files1$ hexo generate More info: Generating Deploy to remote sites1$ hexo deploy More info: Deployment