Once Detected, Never Lost:阅读记录_once detect never lost-CSDN博客

本文链接：https://blog.csdn.net/qq_43190806/article/details/132713963

本文探讨了一种名为OnceDetected-NeverLost的流程，通过改进BaseDetector和FSD，采用跳帧策略结合dropout防止过拟合，以及ImmortalTracker策略来处理轨迹断裂。文章重点介绍了Track-centricLearning方法，包括组织追踪输入、运动状态无关的timestamp编码等步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文：Once Detected, Never Lost:
方向：人工标注的优化

Once Detected, Never Lost 流程

Base Detector
- FSD 修改
  1. 在离线系统中，可以使用未来帧可能是可以表现更好
  2. 为了兼顾更多的时序信息，采用了跳帧策略。论文中采样了9帧
    $[t - 8, t - 6,\cdot\cdot\cdot, t,\cdot\cdot\cdot, t + 6, t + 8]$
  3. 为了防止过拟合，采用了 dropout策略，随机(20%)丢弃一半所采样的帧。
Bidirectional Multi-object Tracking
- Forward Tracking
  - 不丢失的简单策略就是：如果检测丢失，使用运动模型的预测结果
  - Immortal Tracker: Tracklet Never Dies.论文地址，code，这篇论文支持这种策略
  - 使用‘Immortal’策略可以关联由于遮挡或检测miss而导致轨迹断裂的情况
- Backtracing
  - Immortal Tracker 只是向前补充丢失框，理论上出现轨迹之前，就应该有框
  - 所以，增加向过去延伸的运动模型，找到轨迹的起点
  - 值得注意的是，由于这种方案带来的检测框很可能时FP的(虚假轨迹)，随后处理

Track-centric Learning 流程(书接上回：文本核心部分)

Organizing Track Input
- Multiple-In-Multiple-Out
- Motion-state Agnostic
- Timestamp Encoding
Sparse Feature Extraction
- Track Features
- Object Features
Label Assignment
- Track IoU
- Assignment
Detection Head and Losses
- Classification
- Regression
Post-processing
- Remove empty predictions.
- Track TTA
- Track Coherence Optimization (TCO)