How To Train Your Deep Multi-Object Tracker（略读）

动机：平常的评价指标是不可微的，并不能对系统提升有什么影响，所以他想使得MOTA和MOTP可微，从而可以构建合适的损失函数。

主要部分：是类似于匈牙利算法的深度匈牙利网络（Deep Hungarian Net)模块。它的功能是评估objects track 和 ground truth object 之间的联系，从而计算出MOTA和MOTP的可微代理，又反过来用来优化跟踪器。

DHN的作用：获得~A,架构如下：

 这两个Bi-RNNs（循环神经网络）,具有相同的隐藏层，但是不共享权重。

第二阶段的隐藏表示编码最终的赋值。为了将这些编码转化为最终的赋值，文中是将第二阶段的隐藏表示进行三次全连接。最终再进行一次sigmoid激活函数生成soft- assignment 矩阵

D:欧几里得距离和Jaccard距离的平均值：

欧几里得距离：

 

Jaccard距离：1-（A&B/A||B)

计算FP,FN,IDS,:

未看懂的地方：B(TP)，IDS，softmax是怎么算的，

 计算dMOTA和dMOTP:

损失函数：

本文和baseline的架构对比：上面是baseline,下面是本文的