🧑 作者简介:
不能准确理清学术论文内容?不如拜访【爱蒜法】论文讲解:
CSDN全站首个中外合作大学专注前沿大语言模型和目标识别方向知识分享者,组织内排行榜占据前列
📒 博客介绍:
1.LLM和MOT,SOT等领域内,使用有最清晰讲解结构的论文讲解;
2.学校内部复习资料和个人学习笔记等等,根据平时的学习,更新博客,欢迎后台学习交流。
🗄️ 专栏介绍:本文归属于专栏【学习笔记】,专栏文章分析在校内排行榜占据前列,持续更新中,欢迎大家免费订阅关注。
目录
1.Evalutaion Measures(MOT)官方综合
2.clear MOT metric 清晰MOT评价标准底层数学公式
1.Evalutaion Measures(MOT)官方综合
Frag 或者称 FM(Fragmentation)
就是一条轨迹被切断的次数,我的理解是在轨迹还存在的情况下,跟踪器确不再跟踪这个轨迹了,这可能是漏检或者idswitch的情况,则记录轨迹碎片,在gt的轨迹结束后跟踪器还继续跟踪的这种情况也会记录轨迹碎片,IDS是FM中的一种特殊情况,所以一般FM的值比IDS大,可以看回这张图方便理解。
2.clear MOT metric 清晰MOT评价标准底层数学公式
3.ID scores MOT评价标准
clear MOT metirx 中MOTA的主要问题是它考虑了跟踪器做出错误决定的次数,比如IDSW。而在某些情况下不想丢失跟踪对象的位置,我们更关心这个跟踪器跟踪某个对象的时间长短,这样会导致MOTA数值发生很大降低。因此,ID scores被提出,它们是在介绍MTMC的一篇论文中被提出的。
在计算ID scores时,二分图匹配问题的应用是为了找到真实目标轨迹(Ground Truth, GT)和预测目标轨迹(Hypotheses)之间的最佳匹配。这个过程的目标是最小化所有GT轨迹和预测轨迹的不匹配帧数,包括误报(FP)和漏报(FN)。
二分图匹配问题的基本思想是构建一个图,其中包含两组节点,一组代表GT轨迹,另一组代表预测轨迹。在这个图中,每一条边连接一个GT节点和一个预测节点,边的权重代表了将这两个轨迹匹配的成本。这个成本通常是根据两个轨迹之间的不一致性来计算的,比如它们之间的重叠度(如IoU,Intersection over Union)或者时间上的不一致性。
为了找到最佳匹配,我们可以使用匈牙利算法(Hungarian Algorithm)或者拍卖算法(Auction Algorithm)等优化算法来解决这个问题。这些算法的目标是找到一种匹配方式,使得所有匹配的边的权重之和最小。换句话说,就是在保证每个GT轨迹最多匹配一个预测轨迹,并且每个预测轨迹也最多匹配一个GT轨迹的前提下,找到最优的匹配方案。
通过二分图匹配问题,我们可以得到每对GT和预测轨迹之间的最佳匹配结果。基于这些匹配结果,我们可以计算ID scores的三个核心指标:
-
Identification Precision (IDP): 表示正确匹配的预测轨迹占所有预测轨迹的比例。它关注的是预测轨迹的准确性,即预测轨迹中有多少是正确跟踪目标的。
-
Identification Recall (IDR): 表示正确匹配的预测轨迹占所有应该被跟踪的目标轨迹的比例。它关注的是跟踪器的覆盖率,即所有真实目标中有多少被正确跟踪。
-
Identification F1 Score (IDF1): 是IDP和IDR的调和平均值,它提供了对跟踪器性能的平衡评估。IDF1能够同时考虑预测轨迹的准确性和覆盖率,是一个综合反映跟踪器性能的指标。
通过这种方式,ID scores能够更准确地评估跟踪器在长时间内对单个目标的跟踪质量,而不是仅仅依赖于MOTA这样的综合性指标。这种方法特别适用于处理跟踪过程中的遮挡、目标间交互等复杂情况,能够更好地反映跟踪器在实际应用中的性能。