【CV】FairMOT：物体追踪新框架

总结

FairMOT: 一个全新的One-Shot Online MOT 框架，构建 DLA-34 backbone 提取特征随后平行进行Detection 和 ReID 两个分支任务，之后将两个分支的 Loss 合并均衡优化，以达到精度和速度的最优结果。

背景

传统的 MOT 框架，如DeepSORT，是两步走，先 Detection 再 在Detction 给的 BBX 上提取特征进行 Re-ID 进而匹配关联前后出现的物体。但是，这种模式存在一些难以克服的难题：

• 两个模型，太重，时间太长，难以实现实时MOT。若用精简模型，精度又下降太快。
• ReID 匹配部分，严重依赖 Detection给的 BBX，但是BBX 通常含有过多周边环境的干扰因素。

有一些方法，像 Track-RCNN 尝试用同一个模型同时做 Det 和 ReID, 但是简单的合并并不如意：

• Det 需要的是深层的高度抽象的低维度特征，而 ReID 需要的初始浅层的具象可判别的高纬度特征，二者并不同路

同时，在模型的训练上，普遍偏袒 Det 任务，ReID 并未得到应有的重视。协同作用发挥的并不好。

创新点

Fair：Det 和 ReID 的平衡协同。

基于背景中提到的痛点，FairMOT 的创新点体现在

1. OneShot：以 ResNet-34 作为 backbone 来逐层提取特征，随后加一层 DLA（Deep Layer Aggregation）来合并各层特征
2. Two Branches：Detection & ReID 平行并重，各取所需
   • Anchor-free Detection

（未完待续。。。 ）