2020中兴捧月算法大赛阿尔法赛道决赛总结（多目标检测与跟踪）

赛题：多目标检测与跟踪

代码地址
初赛：排名第1
初赛思路：第一次做跟踪任务。简单的认为是检测+reid问题。

初赛：

1.首先明确题意：多目标跟踪；指标MOTA和MOTP, 后期的大量实验证明检测算法相对于跟踪更重要。

2.数据集分析：

人群密集稀疏场景；
场景（白天，黑夜）
光照变化丰富。
多方向视角，方向变化大；
行人速度有快又慢。
B榜 新增2个挑战： 更密集的人群和遮挡

初赛不看速度要求，选择SOTA检测算法，Cascade-RCNN ，其中选择HRNet作为backbone。
Reid 模型 尝试了Deepsort自带的 类似于Resnet18, 后更换ResNet50ibn-a效果一般，发现涨分点不在这里。

Config

Detection：

1. Cascade-RCNN(HRNet) 基于mmdetection框架。
2. 采用多尺度训练（1216,608）和（1024,2048）, 多尺度测试：（1216,608），（1632,816）（2048，1024）
3. 常见数据增强crop 翻转，pad等
4. 丢帧后处理线性平滑
5. 修正框小于1==1
6. 多epoch平均的AWS

Reid：默认的resnet18 （尝试了arcface, ibn50, tripletloss, 翻转测试, Bnneck，Facaloss,SyncBN）
非常难受的是reid方面都不work，开始明白重点在检测上。

决赛：给定了检测结果，要求MOTA和显存（1GB）内存（1GB）FPS（50）最优。限时比赛48小时码代码+训练，时间很紧张，没做啥突破性的东西。

总结下48小时做的东西

1. 跟踪结果和初赛用的trick类似。
2. 内存上租用的云服务器没有给虚拟内存，开辟个虚拟内存能降低到400MB，大部分人都是2G开外。
3. 显存上主要在reid模型那里，选用了mobilenetV3 显存大约550MB。简单的特征蒸馏，大模型指导小模型
4. FPS上就优化了代码，也只是做到了10FPS。应该每5帧融合下就可以达到50FPS的要求了。
5. 只有一次提交机会肉眼修正了些bbox。
6. 尝试了tensorrt，时间太紧张。
   最后FPS没搞好，和传统的竞赛差距还是很大，更多的在做优化，提交还出现了rm-rf * ，泪目。。。