qq_42575422的博客

1、为什么要做这个研究（理论走向和目前缺陷） ?之前的2D MOT里只用gt样本训练（利用基本沿用reid的训练所用的损失）embedding特征（记为reid特征）。但是GT样本是稀疏的，没有充分利用可能准gt样本的多样性，如果能有一堆正样本和负样本参与训练优化的话，这样可能会使提取的embedding特征更具备判别性。2、他们怎么做这个研究 （方法，尤其是与之前不同之处） ?作者提出一种利用纯reid 特征而无位置、运动信息的多目标跟踪方法，核心改进有如下几点：1）训练reid feature时

1、为什么要做这个研究（理论走向和目前缺陷） ?2D图像上的检测可以看得更远，而且检测更准，但是缺乏距离测量。3D点云有精确的距离测量，但是远距离的物体扫到的点就很少了，经常出现漏检，故考虑融合3D检测距离很准而2D检测看得更远的优势，提高3D目标跟踪对遮挡、远距离目标跟踪的效果。2、他们怎么做这个研究 （方法，尤其是与之前不同之处） ?1)3D检测和2D检测关联：点云和图像都有各自的检测器，3D检测器获得的3D框先投影到2D图像上，基于2D IoU找到对应2D检测器输出的2D框（即同一目标的3D框和

1、为什么要做这个研究（理论走向和目前缺陷） ?TBD是现在做目标跟踪的主流方法，这也导致检测结果很影响跟踪的好坏，能否利用由粗到精的思想（faster rcnn）先获得多个粗的轨迹，然后再细化（去除不准的轨迹）得到一个更加准确轨迹？这是本文的主要思考方向。2、他们怎么做这个研究 （方法，尤其是与之前不同之处） ?1）先生成粗的候选轨迹片段：输入的是多帧（实际4帧）点云序列，每帧点云经过一个共享参数的spconv后再转成一个BEV特征，然后把这连续帧的BEV特征按顺序输入到ConvGRU中获取高阶BE

1、为什么要做这个研究（理论走向和目前缺陷） ?之前的3D多目标跟踪，相似度计算基本都不考虑目标的几何和外观特征，也很少会把点云和图像特征融合在一块做，生命周期管理无一例外都是基于经验来设置一个固定参数。不好。2、他们怎么做这个研究 （方法，尤其是与之前不同之处） ?主要创新就是加了三个可训练的模块：1）特征融合模块：融合图像（maskrcnn）和点云（centerpoint）的特征，计算检测和跟踪的特征相似度。2）距离组合模块：组合融合的深度特征距离和马氏距离作为相似度度量。3）跟踪初始化模块：基于

1、为什么要做这个研究（理论走向和目前缺陷） ?AB3DMOT用的3DIOU作为度量标准，在小目标时很容易跟丢。2、他们怎么做这个研究 （方法，尤其是与之前不同之处） ?在AB3DMOT基础上改进，主要改进点，1）用马氏距离取代3DIOU作为相似度度量，避免了因为小物体跟踪和对应的检测很容易不重合却被匹配不上的情况。2）卡尔曼滤波的协方差矩阵P，观测噪声R,过程噪声Q的初始化都是从训练集的统计结果中获得，而不是像AB3DMOT中一样根据经验进行初始化，并且马氏距离计算公式中的协方差矩阵也是来自卡尔曼滤