登录社区云，与社区用户共同成长
邀请您加入社区
多目标跟踪（MOT）旨在跟踪多个目标，同时在给定视频的帧之间保持一致的身份标识。在无人机（UAV）录制的视频中，频繁的视角变化和复杂的无人机-地面相对运动动力学带来了重大挑战，这通常导致不稳定的亲和力测量和模糊的关联。现有方法通常分别对运动和外观线索进行建模，忽略了它们的时空相互作用，导致次优的跟踪性能。在本工作中，我们提出了AMOT，它通过两个关键组件联合利用外观和运动线索：外观-运动一致性（A
摘要：本文提出了一种基于改进长短焦图像融合技术的轨道交通障碍物检测系统。通过结合SIFT特征提取与相位相关法，开发了创新配准算法，将边缘对齐误差降低87.5%至0.27像素。采用YOLO11目标检测模型，系统在融合长短焦图像后，检测性能显著提升，mAP50-95指标从64.19%提高到81.32%。实验证明，该方法有效整合了长焦相机的高分辨率细节与短焦相机的广角优势，为提升轨道交通安全检测提供了可
框架通过融合运动预测与Transformer外观建模，在SportsMOT与MOT17均达SOTA。该数据集有望推动体育分析与多目标跟踪算法的协同发展。在SportsMOT上提升显著：ByteTrack + MixSort使HOTA↑1.6，IDF1↑2.7（表3）。在MOT17上刷新SOTA：HOTA达64.0（表5），证明泛化能力。填补了体育场景MOT数据集的空白，其。特性挑战现有跟踪范式。
YOLO目标检测数据集大全【含voc(xml)、coco(json)和yolo(txt)三种格式标签+划分脚本+训练教程】（持续更新建议收藏）
