Once Detected, Never Lost:阅读记录

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

Once Detected, Never Lost 流程

1. 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。
2. 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)

（先写到这里，后续再补充）