- 综合排序
- 最热优先
- 最新优先
YOLO11-JDE：利用自监督再识别技术实现快速准确的多目标跟踪
YOLO11-JDE在MOT17和MOT20基准测试中取得了具有竞争力的结果，在FPS方面超过了现有的JDE方法，使用的参数也减少了10倍。因此，该方法在实际应用中是一个极具吸引力的解决方案。 进入YOLO11-JDE，这是一个改变游戏规则的框架，它使用联合检测和嵌入（JDE）将检测和重新识别（Re-ID）合并为一个简化的模型。结果如何？超快速、准确且参数高效的MOT解决方案。 总之，我们的主要贡献是：YOLO11-JDE是一种改进的YOLO11s，可执行JDE，体积小、速度快、精度高。基于Mosaic数据增强和三重损失函数的自我/半监督设置，用于训练JDE模型。 实现细节我们的框架以Ultralytics基础架构为基础，通过整合身份标签管理、新的JDE头、用于监控联合优化的度量标准和一套新的跟踪算法进行修改，以处理JDE任务。 有趣的是，与其竞争对手相比，YOLO11-JDE在MOT20中的表现要好于MOT17。值得注意的是，YOLO11-JDE模型和跟踪器都没有使用MOT20数据集进行过训练。
1.4K10编辑于 2025-02-17- 来自专栏CreateAMind
YOLO11-JDE：快速精准的多目标跟踪与自监督重识别
YOLO11-JDE: Fast and Accurate Multi-Object Tracking with Self-Supervised Re-ID YOLO11-JDE：快速精准的多目标跟踪与自监督重识别 YOLO11-JDE 在 MOT17 和 MOT20 基准测试中取得了具有竞争力的结果，在帧率（FPS）方面超越了现有的 JDE 方法，并且参数数量最多可减少至其十分之一。 通过在两个任务之间共享特征并进行联合优化，JDE 模型显著降低了计算开销，使其成为 MOT 的一种有吸引力的范式。 JDE 模型中检测任务与嵌入任务的联合训练带来了独特的挑战。 总结来说，我们的主要贡献包括： YOLO11-JDE ：一种改进版的 YOLO11s，能够执行 JDE 任务，具有体积小、速度快且准确率高的特点。 有趣的是，与竞争对手相比，YOLO11-JDE 在 MOT20 上的表现优于 MOT17 。需要注意的是，YOLO11-JDE 模型及其跟踪器并未使用 MOT20 数据集进行训练 。
23410编辑于 2026-03-11 - 来自专栏深度学习与计算机视觉
[Intensive Reading]MOT：FairMOT
Baseline for Multi-Object Tracking是一个online的多目标跟踪（MOT）算法，基于TBD（Traking-by-Detection）的策略，FairMOT主要就是基于JDE 做的改进，可以简单的理解为，FairMOT是将JDE的YOLOv3的主干，改成了CenterNet，也就是将检测的方法由Anchor-base换成了Anchor-free，然后同样在已有检测模型上加了了 原理 contributions FairMOT指出，anchor-base的网络在加入embeeding分支之后，容易造成embeeding向量与实际的目标位置不匹配的问题，其实说的就是JDE╮ 而assiciation的部分和JDE更是完全一致的。 Train FairMOT的训练数据和JDE是一致的，一共由6个数据集构成，其中有三个数据没有提供PID信息，只提供了检测信息。 总结 最后，不论如何，FairMOT最终的效果是不错的，而且提供了JDE策略在anchor-free模型上的范式，对于两个已有方法的合理组合，达到了1+1>2的效果。
62220发布于 2021-11-17 - 来自专栏深度学习与计算机视觉
[Intensive Reading]MOT：Towards Real-Time Multi-Object Tracking
) model，所以我们用JDE作为《Towards Real-Time Multi-Object Tracking》的简称。 除此之外，JDE的contributions有： Joint Detection and Embedding model，与之对应的训练策略； 实验对比JDE相比于SDE方法的优势，尤其在速度上； 在MOT -16 上，JDE接近state-of-the-art。 -864(ours) JDE - 270K 8.7K 62.1 56.9 34.4 16.7 1,608 34.3 81.0 24.1 JDE-1088(ours) JDE - 270K 8.7K 64.4 55.8 35.4 20.0 1,544 24.5 81.5 18.8 从上表中可以看出： JDE的速度要比SDE快很多，就是网络结果决定的，SDE的方法在做Re-ID时，受限于目标数量的； JDE
86020发布于 2021-11-17 - 来自专栏深度学习与计算机视觉
MOT：Towards Real-Time Multi-Object Tracking
) model，所以我们用JDE作为《Towards Real-Time Multi-Object Tracking》的简称。 除此之外，JDE的contributions有： Joint Detection and Embedding model，与之对应的训练策略； 实验对比JDE相比于SDE方法的优势，尤其在速度上； 在MOT -16 上，JDE接近state-of-the-art。 -864(ours) JDE - 270K 8.7K 62.1 56.9 34.4 16.7 1,608 34.3 81.0 24.1 JDE-1088(ours) JDE - 270K 8.7K 64.4 55.8 35.4 20.0 1,544 24.5 81.5 18.8 从上表中可以看出： JDE的速度要比SDE快很多，就是网络结果决定的，SDE的方法在做Re-ID时，受限于目标数量的； JDE
2.5K20发布于 2020-04-08 - 来自专栏小麦苗的DB宝专栏
Oracle重命名PDB
pluggable database close immediate; alter pluggable database open; -- 或 shutdown immediate startup 例如：将JDE 重命名为JDEPROD alter pluggable database JDE close immediate; alter pluggable database JDE open restricted ; alter session set container=JDE; alter pluggable database rename global_name to JDEPROD; alter pluggable
97010编辑于 2023-04-27 - 来自专栏深度学习与计算机视觉
MOT：FairMOT
Baseline for Multi-Object Tracking》是一个online的多目标跟踪（MOT）算法，基于TBD（Traking-by-Detection）的策略，FairMOT主要就是基于JDE 做的改进，可以简单的理解为，FairMOT是将JDE的YOLOv3的主干，改成了CenterNet，也就是将检测的方法由Anchor-base换成了Anchor-free，然后同样在已有检测模型上加了了 FairMOT指出，anchor-base的网络在加入embeeding分支之后，容易造成embeeding向量与实际的目标位置不匹配的问题，其实说的就是JDE╮(￣▽ ￣)╭。 而assiciation的部分和JDE更是完全一致的。 Train FairMOT的训练数据和JDE是一致的，一共由6个数据集构成，其中有三个数据没有提供PID信息，只提供了检测信息。 总结 最后，不论如何，FairMOT最终的效果是不错的，而且提供了JDE策略在anchor-free模型上的范式，对于两个已有方法的合理组合，达到了1+1>2的效果。
1.4K30发布于 2020-06-28 - 来自专栏一点人工一点智能
基于深度学习的视觉多目标跟踪研究综述
因此，在单个网络中完成目标检测和特征提取的JDE范式受到了关注。通过使目标检测和特征提取两个关键任务共享大量特征，JDE范式可以显著减少算法的计算量。 本节首先简介JDE范式的发展历程，然后综述了近年来众多学者对JDE范式的改进方向。 4.2 对JDE范式改进研究虽然TrackR-CNN和JDE864有效减小了模型的计算量，但是其跟踪准确性并未明显优于先前基于SDE范式的算法。 而早期的基于JDE的算法在准确性上并不具有明显优势，如JDE864[38]在MOT16数据集上跟踪速度达到30.3FPS的同时，MOTA为62.1%。 从上述的分析可以发现，对JDE范式跟踪准确性和鲁棒性的改进往往以降低模型的跟踪速度为代价。在今后的研究中，同步优化JDE范式算法的跟踪准确性和跟踪速度仍然是研究的重点及难点。
3.4K10编辑于 2023-05-06 - 来自专栏一点人工一点智能
基于深度学习的视觉多目标跟踪研究综述
因此，在单个网络中完成目标检测和特征提取的JDE范式受到了关注。通过使目标检测和特征提取两个关键任务共享大量特征，JDE范式可以显著减少算法的计算量。 本节首先简介JDE范式的发展历程，然后综述了近年来众多学者对JDE范式的改进方向。 4.1 JDE范式的发展历程 JDE范式通过在检测网络中添加一个并行的特征提取分支，从而在单个网络中同时输出目标的位置和外观特征。 4.2 对JDE范式改进研究 虽然TrackR-CNN和JDE864有效减小了模型的计算量，但是其跟踪准确性并未明显优于先前基于SDE范式的算法。 而早期的基于JDE的算法在准确性上并不具有明显优势，如JDE864[38]在MOT16数据集上跟踪速度达到30.3FPS的同时，MOTA为62.1%。
1.7K30编辑于 2023-08-25 - 来自专栏CVer
超越YOLOv5还不够！这个目标检测开源项目又上新了
根据这两部分实现的顺序，主流的多目标跟踪算法可以划分为SDE系列和JDE系列2类。 JDE系列： JDE（Joint Detection and Embedding）即在共享神经网络中同时学习目标检测任务和外观嵌入任务。 JDE原论文是基于Anchor Base的YOLOv3新加一个Reid head学习外观embedding特征。
2.4K41发布于 2021-06-09 - 来自专栏自学气象人
Chatgpt问答之WRF-并行计算
2、WRF中的Domain size:ids, ide, jds, jde, kds, kdeMemory size:ims, ime, jms, jme, kms, kmeTile size:its, 具体来说，它们的含义如下： • ids, ide, jds, jde, kds, kde：表示整个模拟的网格范围，即domain size。 ids和jds表示起始的网格坐标，ide和jde表示终止的网格坐标，kds和kde则表示垂直方向的网格坐标。
1.1K30编辑于 2023-06-20 - 来自专栏深度学习与计算机视觉
MOT：多目标跟踪总结与思考
而过去一段时间比较流行的fairmot，JDE等算法，其实本质上没有脱离DeepSort的结构，只是把特征提取和检测整合到一起使用，依然是卡尔曼滤波的运动估计和reid为主的匹配。 fairmot：A Simple Baseline for Multi-Object Tracking JDE：Towards Real-Time Multi-Object Tracking 除此之外 ，在JDE，fairmot的基础上，QDTrack：Quasi-Dense Similarity Learning for Multiple Object Tracking提出除了利用检测到目标进行匹配之外
2.7K21发布于 2021-07-19 - 来自专栏学习
初识Java环境配置和“JDK“的安装
一简介：如果想要从事Java开发则需要安装开发环境（JRE)，JDK发布包里面本来就包含JRE,另外就是JDK本身就内置有JDE。
27910编辑于 2024-10-09 - 来自专栏goodcitizen
[apue] apue_db：一个可以充当"注册表"的 key-value 数据库
6tnikssfMBLVJs4jbTXkFylvdEcVGMB1eYpdCvnvqBxcUuMPmDgSDuFVl726MkkgzMU5nFLoQrcM4Y8aTHRnMXilQTEaMe5aYdgJ5jEVnKMwRt9mQWE8sYKVSLHjtDJ9LwsGcN2IZ2Eznmn6ElzbY7 0Jde UQQFJQpluZKXybyfzyLrdIGYNn8Rs09tXwv7uMjlYRpe7C1frEB5hGHwuEu37bSCj0v5L1cxnYLabzF4t4loXtiV97O7XXg4qMK5IR2 db insert '0Jde 6tnikssfMBLVJs4jbTXkFylvdEcVGMB1eYpdCvnvqBxcUuMPmDgSDuFVl726MkkgzMU5nFLoQrcM4Y8aTHRnMXilQTEaMe5aYdgJ5jEVnKMwRt9mQWE8sYKVSLHjtDJ9LwsGcN2IZ2Eznmn6ElzbY7 [ 8] 0Jde hash[75] nodes: hash[76] nodes: hash[77] nodes: hash[78] nodes: 1 key 4, dat 104: 0Jde 21Pw1o1fcg6kHIm:251:64 0 15GalRFwb:315:79 0 112X:394:110 0 15zW4dQI:504:151 0 130Jde
64240编辑于 2022-08-19 - 来自专栏电脑专业软件
LabVIEW 2020软件下载和安装教程
pwd=jde5LabVIEW 2020安装教程：1.选择我们下载的安装包，右键解压。2.打开解压后的安装包。3.右键以管理员身份运行install安装程序。4.选择【我接受……】点击下一步。
3K00编辑于 2022-11-13 - 来自专栏AI智韵
跟踪不稳定目标：基于外观引导的运动建模实现无人机视频中的鲁棒多目标跟踪
结合AMC和MTC模块，我们提出了一种新颖的多目标跟踪器，称为AMOT，它基于联合检测和嵌入（JDE）架构[11]构建。 AMC和MTC模块是即插即用且无需训练的，可以轻松集成到基于JDE的跟踪器中以提升跟踪性能。 相比之下，联合检测和嵌入（JDE）范式[23]、[24]将目标检测和ReID特征提取集成到一个统一框架中，实现目标定位和嵌入提取的同时进行。 此外，几个基于JDE的跟踪器整合了全局注意力[25]、[26]和时序线索[27]、[28]以增强实例级ReID嵌入的判别能力。上述方法通过计算ReID嵌入之间的余弦距离来测量实例级外观相似性。 在其他跟踪器上的通用性：我们将我们的设计应用于代表性的基于JDE的跟踪器，包括UAVMOT[27]和STCMOT[28]。如表VI所示，所有这些跟踪器都从AMC和MTC的集成中受益。
41210编辑于 2025-09-11 - 来自专栏程序员小灰
卧槽！出了一个Python实时目标跟踪系统神器！
支持开源最好的方式就是点亮Star星标支持一下 本文作者也确实详细研究了一下这个项目，总结了它的一些特点，有耐心的老铁可以接着往下看： 1功能丰富效果佳 PP-Tracking内置DeepSORT[6]、JDE BMC bioinformatics, 2018, 19(9): 1-9. [7] JDE: Wang Z, Zheng L, Liu Y, et al.
2.8K40发布于 2021-11-30 - 来自专栏PaddlePaddle
超强实时跟踪系统首次开源！支持跨镜头、多类别、小目标跟踪！
功能丰富效果佳 PP-Tracking内置DeepSORT[6]、JDE[7]与FairMOT[8]三种主流高精度多目标跟踪模型，并针对产业痛点、结合实际落地场景进行一系列拓展和优化，覆盖多类别跟踪、跨镜跟踪 BMC bioinformatics, 2018, 19(9): 1-9. [7] JDE: Wang Z, Zheng L, Liu Y, et al.
1.9K21发布于 2021-11-29 - 来自专栏SmartSi
Hadoop SSH免密码登录
ECDSA key fingerprint is SHA256:378enl3ckhdpObP8fnsHr1EXz4d1q2Jde+jUplkub/Y.
2.3K20发布于 2019-08-07 - 来自专栏JAVAandPython君
不得不说这个验证码生成库，牛逼了！
[uasjpk1tkh.png] 生成的效果： 鱼眼： [2mutrglfh1.png] 水纹： [9ad2c08gap.png] 阴影： [jde6cywetc.png] 大部分的网站使用到的都是kaptcha
3K20发布于 2020-05-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号