MOT-CTracker

摘要

现有的多对象跟踪（MOT）方法要么遵循按检测跟踪的范式分别进行对象检测，特征提取和数据关联，要么将三个子任务中的两个集成在一起以形成部分端到端解决方案。除了这些次优框架之外，我们还提出了一个名为Chained-Tracker（CTracker）的简单在线模型，该模型自然将所有三个子任务集成到了端到端解决方案中（据我们所知，这是第一个）。它链接从重叠节点估计的成对的边界框回归结果，其中每个节点覆盖两个相邻的帧。通过对象注意（由检测模块带来）和身份注意（由ID验证模块确保）使成对的回归变得专心。两个主要的新颖性：链式结构和成对的注意力回归使CTracker变得简单，快速和有效，无需依赖任何额外的训练数据即可在MOT16和MOT17挑战数据集（分别为67.6和66.6）上设置新的MOTA记录
（此处为谷歌翻译）

引言

本文是针对该论文在github上代码的一个简单实现，主要介绍一下代码实现的具体步骤，希望能够对读者有一定的帮助。（由于本人刚开始接触，做的不好的请大家批评指正，欢迎交流！）

论文地址：

	https://github.com/pjl1995/CTracker

源码地址：

    https://arxiv.org/pdf/2007.14557.pdf

声明

文章来源： 腾讯优图实验室；复旦大学；NAIST
论文名称：Chained-Tracker Chaining Paired Attentive Regression Results for End-to-End Joint Multiple-Object Detection and Tracking
原文作者：Jinlong Peng

环境搭建

首先：安装所需的工具包（如若你的系统安装过了，就不需要安装了）

apt-get install tk-dev python-tk

第二：创建一个代码所需的虚拟环境

// 创建虚拟环境。
conda create -n CTracker Python=3.6.5

//之后激活环境
conda activate CTracker

第三：安装环境所需的pytorch版本及相关的包（在激活后的环境中，按如下操作）

// 安装所需pytorch版本
conda install pytorch=0.4.1 cuda90 -c pytorch
// 接着进入到你代码所在文件夹下，进行相关包的安装
cd {你自己代码的所属路径}

pip install -r requirements.txt

sh lib/build.sh

注：如果pytorch下载缓慢，可以换成清华镜像源之后，再下载。

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --setshow_channel_urls yes

准备数据集

下载MOT17数据集，建立文件夹MOT17_ROOT,之后将MOT17的训练集和测试集放在新建的文件夹下。具体格式如下图所示：（其中的两个CSV文件为CTracker代码文件夹下的data文件夹下的文件，复制过来即可）。

注：train_annots.csv文件的每一行的格式为：
path/to/image.jpg,id,x1,y1,x2,y2,class_name
当你进行训练时，要注意path/to/image.jpg是否跟你的文件夹的路径一致。

训练

注：如果只求能运行，则训练时原代码上的epoch为100，你可以将其设置为50，因为10个epoch运行时间大概1时45分，即在源代码文件夹下，train.py里边第51行，修改default=50即可。

CUDA_VISIBLE_DEVICES=0 python train.py --root_path MOT17_ROOT --model_dir ./ctracker/ --depth 50

默认情况下，训练结束后即可开始进行测试。

测试

你也可以下载训练好的模型进行相关测试。

CUDA_VISIBLE_DEVICES=0 python test.py --dataset_path MOT17_ROOT --model_dir ./trained_model/

相关说明

本篇文章引用自CTracker。

@inproceedings{peng2020ctracker,
  title={Chained-Tracker: Chaining Paired Attentive Regression Results for End-to-End Joint Multiple-Object Detection and Tracking},
  author={Peng, Jinlong and Wang, Changan and Wan, Fangbin and Wu, Yang and Wang, Yabiao and Tai, Ying and Wang, Chengjie and Li, Jilin and Huang, Feiyue and Fu, Yanwei},
  booktitle={Proceedings of the European Conference on Computer Vision},
  year={2020},
}