GMOT-40: A Benchmark for Generic Multiple Object Tracking速读笔记

(一)Title

前言: 这篇文章中提到GMOT和MOT并不是相同的内容,因此,这篇文章并不是关注的重点。
代码: https://github.com/Spritea/GMOT40

(二)Keypoints

问题:

现有的研究需要跟踪目标(比如行人)的先验知识,不能很好地推广到未见过的类别上(这个问题让我感到很迷惑,不知道下面introduction有没有介绍)。而General Multiple Object Tracking(GMOT)需要很少的关于目标的先验信息(这里的第二个疑问就是GMOT和MOT有什么区别嘛？)

本文的工作：

• first public dense GMOT dataset，采用两种tracking protocols来评估不同跟踪算法的特性。
• 构建了GMOT的一系列baseline。
• 使用常用的MOT算法(经过改动)对GMOT-40进行评估

(四)Notes

4.1 MOT算法

• model-based 方法

  用一个category-aware的detector来生成候选框,tracker用来求解data association问题。
  相似性估计的方法：

  • 匈牙利算法
  • network flow
  • graph multicur
  • multi-dimensional assignment
  • multi hypotheses tracking
  • 利用deep neural networks来解决数据关联(data association)的问题

  这类方法可以自动处理目标的进入和退出事件,主要用于行人和车辆跟踪，越来越流行利用ReID的数据集或者pose estimation的数据集来改善association的鲁棒性

• model-free 方法

  主要解决单目标跟踪问题,第一帧只给出一个目标边界框,tracker并不知道目标的类别先验，将model-free的思想扩展到MOT是一个新兴的课题

• MOT的benchmarks

  • PETS benchmark,单个摄像头的3个序列,进行行人跟踪
  • KITTI包含了行人和车辆两个类别
  • Socially-aware large-scale crowd forecasting,进行行人跟踪
  • UA-DETRAC进行车辆跟踪
  • MOT15,行人和车辆，共22个序列
  • MOT16,行人和车辆，共14个序列
  • VisDrone,行人和车辆,共96个序列