多目标跟踪评价指标学习

多目标跟踪评价指标学习

在GT中一个ID一个轨迹。轨迹有多行数据，表示其每帧中的位置信息。

一、MT

成功跟踪的帧数占总帧数的80%以上的GT轨迹数量

是一个数值，GT轨迹数量数值。越高越好

该轨迹追踪的好，80%的帧数都被追踪到了

二、ML

成功跟踪的帧数占总帧数的20%以下的GT轨迹数量

是一个数值，GT轨迹数量数值。越低越好

该轨迹追踪的不好，只有20%的追踪率

三、ID switches

一条轨迹对应一个ID。但该轨迹跟踪过程中有可能某一帧目标被赋给别的ID，这就是ID发生切换。这个指标说明了ID切换的次数，根据GT得到的。跟丢的情况不算在ID切换中。

如果在ground truth第j个轨迹的第t帧之前，跟踪器(tracker)把该轨迹的ID都预测正确了，但是第t+1帧预测错误了，那么ID switch的个数+1，值得注意的是，即使第t+1帧之后跟踪器仍然把该轨迹的ID预测错误了，但是错误的ID为同一个，那么ID switch个数不会增加。

跟丢：跟踪过程中的一种失败状态。即同一目标并没有被检测到

ID切换：跟踪过程中的误匹配问题。即同一目标检测到了，但被分配了别的ID

四、MOTA

GT：GT中框的数量

检测的错误，不考虑追踪ID

FP：总的误报数量，即整个视频中的FP数量，即对每帧的FP数量求和。

误报FP：本来没有，但被错误识别或定位的。

FN：总的漏报数量。本来有，但没有被识别和定位出来。

追踪的错误

IDSW：总的ID Switch数量，和三的一样

MOTA：最大为1，代表没有任何的检测错误和追踪错误。最小可以为负无穷。对FP、FN、IDSW做了惩罚，又用GT做了正则。

MOTA越大，效果越好。

五、IDF1

IDP：ID+Precision

IDR：ID+Recall

IDP指的是把每个ID都当作单独的一类去计算Precision。

IDF1：ID + F1 score。对IDP和IDR的一个调和平均

六、HOTA

A表示Association

TP（真正例）：本来有，正确识别出来了

FN（假反例）：本来有，没识别出来

TPA（c）：在TP中（考虑检测），预测的ID和GT的ID（考虑ID）都为c的情况

FNA（c）：在TP中，GT的ID为c，但是预测的ID不为c的情况；以及FN（漏检）中，GT为c的情况

FPA（c）：在TP中，预测ID为c，但是 GT的ID不为c的情况；以及FP（误检）中，预测的ID为c的情况

α是阈值，可以是IoU，也可以是距离。这个α没有明白。

HOTA是对HOTAα的对α积分。

HOTAα是对TP中每个c求A（c）。

总之，HOTA将精确检测，关联和定位的性能平衡为一个统一指标