懂AI
mahalanobis_3d_multi_object_tracking

mahalanobis_3d_multi_object_tracking

在NuScenes Tracking Challenge中荣获冠军，提升了自主驾驶3D多目标追踪的准确率

该项目提出了一种在线3D多目标追踪方法，在NeurIPS 2019 AI Driving Olympics Workshop上荣获NuScenes Tracking Challenge冠军。与AB3DMOT方法相比，显著提高了较小目标如行人的追踪精度。项目提供了详尽的技术报告与源码，以及详细的运行步骤，便于他人复现结果。使用MEGVII的检测结果，该方法在多目标追踪准确率（AMOTA）上表现出色，特别是对行人和小型目标的追踪效果尤为明显。

NuScenes Tracking ChallengeAutonomous DrivingAB3DMOTProbabilistic TrackingStanford UniversityGithub开源项目
GitHub论文文档

项目介绍：mahalanobis_3d_multi_object_tracking

背景

mahalanobis_3d_multi_object_tracking（简称为项目）是一个用于自动驾驶技术中的三维多目标追踪算法项目。由斯坦福大学和丰田研究院的研究团队联合研发。该项目在2019年NeurIPS AI驾驶奥林匹克研讨会上举办的NuScenes Tracking Challenge中荣获第一名。

项目概述

本项目提出了一种在线追踪方法，专注于提高在自动驾驶场景下多目标跟踪的准确性。研究人员的目标是通过更精细的算法和跟踪技术，显著提高对小型目标（如行人）的跟踪性能。该项目的源代码开源，为其他研究人员提供了复现验证集性能的步骤指南。

定量结果

研究表明，在NuScenes验证集的测试中，该方法在表现指标AMOTA（平均多目标追踪准确性）上超越了基准方法AB3DMOT，尤其是在行人和摩托车等小型目标的追踪上表现出色：

  • 整体上，项目方法的AMOTA达到了56.1，相较于AB3DMOT的17.9有显著提升。
  • 项目方法在单个类别上也展现了优秀的提升幅度，例如，行人类别的AMOTA从9.1提升到75.5，摩托车从5.1提升到50.6。

在测试集结果中，项目团队名列第一，整体表现为55.0，超过了第二名的37.1和基准AB3DMOT的15.1。

定性结果

项目提供了多种情况下的追踪可视化结果。从鸟瞰视角来看，项目的方法可以更好地追踪急转弯的车辆。研究团队运用了MEGVII的数据检测结果作为输入，展示了在不同时间步长内对同一场景中车辆边框的追踪效果。

实施步骤

为了帮助其他研究人员复现结果，项目详细介绍了设置环境及运行代码的步骤。整个过程包括下载代码、设置环境、下载并设置NuScenes数据集、运行追踪代码以及评估结果。它还允许对比基准方法AB3DMOT与本项目方法之间的性能差异。

致谢与参考文献

项目是在AB3DMOT和MEGVII的开源数据和检测结果基础上实现的。此外，丰田研究院（TRI）为项目提供了资金支持，尽管文章代表作者观点及结论，与TRI无关。

研究论文可以在arXiv上找到，并可在相关场合引用。

后续研究

研究团队还进行了后续研究工作，如在ICRA 2021及2024论文中，继续探讨多模式、多目标追踪算法的改进，通过结合二维图像和三维LiDAR点云，提升追踪准确性。此外，他们提出了一种新颖算法DMSTrack，用于车辆间的合作追踪。

研究团队的努力旨在推动自动驾驶技术的发展，通过科学严谨的方法解决实时多目标追踪的挑战。项目的成功并开源对学术界和产业界带来了深远的影响。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多