A Simple Baseline for Multi-Object Tracking多目标跟踪算法

论文下载地址：https://arxiv.org/abs/2004.01888

代码下载地址：https://github.com/ifzhang/FairMOT

论文摘要：近几年目标检测算法和重识别算法发展迅速。这两个是多目标跟踪算法的重要组成部分。但是现在很少有人关注，将这两个算法合并在一个网络上，因为在初期的时候就有人尝试过这种方法但是重识别网络学习的特征并不好，从而造成跟踪精度大幅下降。论文作者基于以上问题，提出了一个简单基准来提升单网络多目标跟踪算法的精度，并且取得了state-of-the-arts的成绩。

当前单网络多目标跟踪算法存在的问题：

1. anchor和Re-ID不匹配问题：从下图中可以看出基于anchor的检测算法会产生一定的误差，黄色框和红色框都表示的是同一个人，这样就会给网络带来严重的歧义。同时为了平衡网络的速度与精度，网络会采取8次下采样操作，这个对于检测算法来说影响并不大，但是对于Re-ID算法特征太过于粗糙。目标的中心和粗糙的anchor的特征的信息不一致，从而影响Re-ID精度。作者提出的解决办法就是使用anchor-free的检测算法，这样就可以解决网络歧义问题。同时采用类似于沙漏网络来进行上采样得到高分辨率（文论中只进行了4次下采样，得到的特征不会太粗糙）的特征图来进行目标中心点预测和Re-ID操作。

2. 多层特征融合增强：正如前面提到的RE-ID的网络学习的特征并不好。为了让Re-ID能够学习到更加丰富的特征，需要将底层和高层的特征都融入到网络里面来识别网络中出现不同大小的目标。下图网络结构采用的类似于U-NET的结果来融合不同的特征图。通过融合不同特征图的特征来解决多目标跟踪中时常出现的尺度变化问题。

3. Re-ID的特征维度：以前的ReID方法通常学习高维特征，并在其基准上取得了很好的结果。但是作者通过实验发现，低维特征实际上更适合MOT，因为它比ReID拥有更少的训练图像，学习低维特征有助于降低小数据过拟合的风险，提高跟踪的鲁棒性。

       以上就是论文的核心点，作者通过简单的算法拼凑到一起实现了很高的精度提升。作者的思想可以为以后的工作提供参考。

       anchor的消除缓解了歧义问题，高分辨率特征图的使用使Re-ID特征更好地与目标中心对齐。从上图可以看出在网络的最后会有两个输出Detection就是检测目标，Re-ID就是对检测的目标身份进行识别。

       具体的代码细节还在研究中。目前只是看一下论文的实现思路。还需要结合代码进行研究。

论文的结果：