【3D目标跟踪】AB3DMOT阅读笔记（2020）

1、为什么要做这个研究（理论走向和目前缺陷） ?
3D跟踪往往都太慢了，能否用传统方法组合实现比较好的结果。
2、他们怎么做这个研究 （方法，尤其是与之前不同之处） ?
没啥新东西，就是3D卡尔曼滤波（匀速运动模型）+匈牙利匹配。开发了一个3Dmot评估系统，并提出3个新的3D mot评估指标sAMOTA,AMOTA,AMOTP。
3、发现了什么（总结结果，补充和理论的关系）?
KITTI上达到207.4FPS，效果也不错。

摘要：很多3Dmot上的研究都不太关注计算量和系统复杂度，导致的结果就是这样研究出来的算法只能存在于实验室，无法落地实用。而本文提出的3Dmot方法，即AB3DMOT，就是简单的将3D卡尔曼滤波和匈牙利算法进行组合，却取得了非常好的效果，并能够在KITTI上达到207.4FPS。此外由于没有现成的对3Dmot的评估方法，以前都是在2D空间进行评估，本文开发了一个新的3D mot评估工具。

1、引言
kitti上的2Dmot benchmark由于检测的突飞猛进，在近两年内MOTA从57.03刷到了84.04。但是所用的方法往往都计算巨大（CNN提取表观特征，GNN提取运动特征），且设计的系统极为复杂，不实用啊。

2、AB3DMOT：A Baseline for 3D MOT
算法框架
3D卡尔曼滤波器（匀速运动模型）+匈牙利匹配算法。
即使只是传统算法的组合，将其转换到2D空间中进行3Dmot评估，其效果依然很好，如下图，如下左图：

3、3D mot评估工具
由于没有评估3D mot的现成工具，所以大家都是先把3D跟踪结果投影 到2D图像空间，然后用KITTI 2D MOT工具来评估。这，不行！
于是作者基于2D mot评估工具开发了一套3D mot评估工具，主要修改就是将计算2D IoUd 方式改为计算3D IoU，直接在3D空间计算IoU，无需再投影到图像空间计算IOU了。

4、新的MOT评估度量
之前的MOTP和MOTA存在一个问题就是并没有考虑被跟踪目标的置信度，结果，要想评估，必须得手动设置一个阈值，将那些低置信度的跟踪目标先筛掉。但是确定阈值可不是容易事，不同的检测器或者不同的数据集，最优置信度阈值的一般是不同的。而且，仅用一个阈值就筛选无法全方位反应跟踪性能的好坏，可能这个阈值跟踪效果好而换个阈值跟踪效果就差了。理想效果应该是，MOT对检测置信度的筛选阈值不敏感，在一系列阈值上都能取得比较好的效果。
本文提出了3个新的mot评估指标sAMOTA, AMOTA, AMOTP。其中AMOTA, AMOTP是在所有召回率值的情况下计算出了的均值。

5、实验
数据集：KITTI 3D MOT,KITTI仅支持2D评估，为了实现3D评估，只能在KITTI验证集上进行3D评估。
基准：尽量和FANTrack以及mmMOT保持一致，即都用PointRCNN预测的3D检测结果作为检测输入。如果需要2D输入，就用3D检测的2D投影作为输入。
实验结果：如下图，惊奇发现IDS=0。

运行时间：仅用CPU就达到207.4FPS。