论文精读：FairMOT: On the Fairness of Detection and Re-Identification in MultipleObject Tracking

1.提出背景

以往的工作通常将re-ID视为次要任务，其准确性受到主要检测任务的严重影响。因此，网络偏向于主检测任务，这对re-ID任务不公平。

2. 核心思想

将MOT表示为单个网络中目标检测和reid的多任务学习，因为它允许两个任务的联合优化，并且具有较高的计算效率。然而，我们发现这两个任务倾向于相互竞争，这需要仔细处理。特别是，以往的工作通常将re-ID视为次要任务，其准确性受到主要检测任务的严重影响。因此，网络偏向于主检测任务，这对re-ID任务不公平。为了解决这个问题，我们提出了一种基于无锚定目标检测架构CenterNet的简单而有效的方法，称为FairMOT。请注意，它并不是CenterNet和re-ID的幼稚组合。相反，我们提出了一堆详细的设计，这些设计对于通过彻底的实证研究获得良好的跟踪结果至关重要。

3.主要内容

3.1 Introduction

目标追踪大多数现有方法如试图通过两个独立的模型来解决问题：检测模型首先通过每帧的边界框检测感兴趣的对象，然后关联模型从每个边界框对应的图像区域中提取再识别(re-ID)特征，将检测链接到现有轨迹之一，或根据特征上定义的某些指标创建新的轨迹。

两阶段的目标追踪方法存在可伸缩性问题。当环境中有大量对象时，它们无法实现实时推理速度，因为这两个模型不共享特性，而