SCTracker 跟踪论文阅读笔记

最新推荐文章于 2024-04-29 19:01:27 发布

mumuxi_c

最新推荐文章于 2024-04-29 19:01:27 发布

阅读量732

点赞数 1

分类专栏：目标跟踪文章标签：论文阅读深度学习目标跟踪计算机视觉

本文链接：https://blog.csdn.net/ganbelieve/article/details/130823307

版权

目标跟踪专栏收录该内容

5 篇文章 3 订阅

订阅专栏

SCTracker 跟踪论文阅读笔记

SCTracker: Multi-object tracking with shape and confidence constraints
论文链接 (未开源状态)

论文主要更新点围绕shape constraint and confidence两点来展开：

首先论证在跟踪匹配的过程中D-box(检测框)与T-box(预测框)需要有一定的形状约束来决定最后匹配的cost matrix，避免特殊情况下的iou匹配不准确的因素。
后根据检测置信度得分对KF在某些遮挡或者其他干扰因素造成检测得分降低后的自适应修改，对测量噪声协方差噪声的敏感程度由检测得分来决定，这一点与Strong-sort中论文类似，可看之前的文章介绍 BoT-SORT与Strong-SORT论文对比及思考总结，不过SCTracker对噪声协方差的公式也有点差别，但总体不大，看下文分析，以及利用检测置信度在更新的基础上利用卡尔曼滤波对原状态向量m更新为新状态向量m0时状态向量的速度分量进行校正。

1、跟踪方法的pipeline处理流程及论证shape Iou：

1.1、pipeline

在这里插入图片描述
根据这个pipeline，在此基础上将改进的点一一嵌入，然后做相关对比实验。
上面图中的pipeline是一个最基础的类似sort的跟踪处理方法，而且作者提到，实验使用ByteTrack作为基准的对比对象，而ByteTrack论文也仅仅是在sort的基础上做了改进，最主要是有一个强检出的检测器YOLOX，而此篇论文检测器与ByteTrack一样，做消融实验才能有对比性。

1.2、提出Shape Iou

在这里插入图片描述
上图为作者论证Iou的不可行性，两个box的交集相同，并且计算出来的iou值也相同，对于这种情况普通的iou计算不能区分匹配度，在此作者提出Shape Iou，猜想这个也是得到训练检测模型中的iou损失函数的启发，类似GIou方法，普通iou方法确实对一些形状变化但是iou值却相同的box不能很好的做区分，故有了论文的更新点。

2、论文更新改进点

i1：shape constraint 在原始计算iou cost
matrix的基础上添加高度及区域限制，高度代表的是D-box的H，T-box的H，以及两者外界矩形的H。
i2：confidence 用来对测量噪声协方差做自适应操作，以及对更新m的速度项做对应的校正。

（一）shape constraint

普通iou计算方法：
在这里插入图片描述
对应计算的iou距离表达公式为：

而shape iou在iou的基础上加了两项限制条件：

Ph代表的是高度上做一定的限制，Ps代表的是区域上做限制，而对应的Ph和Ps的公式计算为：

ha为a-box的H，hb为b-box的H，hu为a-box与b-box的最小外接矩形的H；
Sa、Sb、Su类似上面，只不过对应的是区域面积，在这里插入图片描述为一个固定的值，论文的经验值设置为，以保证限制项的有效性。

公式列完，大概的改动就一目了然了，而且公式也很简单，总体带来的收益也有所提升，看下文的实验部分。

（二）confidence

ii1、 首先检测置信值用来自适应噪声协方差这一部分在它之前的论文Strong-Sort中已经提到过，而此篇论文在公式上做了点手脚，但大致无太大差别，看公式吧：
Strong-Sort ：
在这里插入图片描述
SCTracker ：

Strong-Sort中的Ck代表检测置信度，SCTracker中的score代表的也是检测置信度，是不是仅仅动了点手脚，大致意思一样，不过可能还有另外一层意思是我没有猜到的，也可能是作者认为不管检测得分有多高多可信，在实际的应用中协方差噪声这个矩阵都是有一定的作用的，所以在检测置信度的基础上做了部分削减，不过这也是我的猜测，不一定对，有懂的小伙伴欢迎交流。

ii2、 其次，将检测置信度也用到了更新项m的速度校正上，这一点感觉还是有一定道理的，既然对协方差噪声都做了一定的自适应，对于更新项的m确实也应该做一定的校正：
在这里插入图片描述
注意：为原始输入的m作为需要更新的项的后四维速度项，而为更新m的后四维速度项，根据此公式可以知道如果检测置信度高，则原始m项的权重小，依赖更新的m值，有点类似二分类问题的交叉熵损失函数了，感觉很多都是现有经验的迁移一样，有意思哈。

3、实验部分

作者将ByteTrack作为baseline进行对比，总体略有提升，虽说提升的点不是很多，但是总体的跟踪效果表现从指标上看确实是有改善的，不过还得自己实际验证。

在这里插入图片描述

4、总结

作者提出的这两个更新点对跟踪上有一定的提升，改动点比较简单，根据公式做对应的修改，代码都不需要改很多，可以尝试下，shape-iou其实倒是感觉用处不大，类似reid部分特征匹配时加的马氏距离限制，shape-iou在一定程度上会有点改善，但不过看主要的跟踪场景，KF预测部分修改可做相应尝试，使用检测置信度确实是一种可行的方案，毕竟检出得分高的代表着他确实是清晰目标，噪声对应小，而得分低意味着可能被遮挡或者模糊等情况，有做过尝试的小伙伴欢迎交流，谢谢！！！