参考:https://blog.csdn.net/c9Yv2cf9I06K2A9E/article/details/105320746
最近一年里,随着 Tracktor++ 这类集成检测和多目标跟踪算法框架的出现,涌现了很多相关的多目标跟踪算法变种,基本都位列 MOT Challenge 榜单前列,包括刚刚开源的榜首 CenterTrack。这里我就对集成检测和跟踪的框架进行分析。
1、D&T:Detect to Track and Track to Detect
论文标题: Detect to Track and Track to Detect
论文作者: Christoph Feichtenhofer, Axel Pinz, Andrew Zisserman
备注信息: ICCV 2017
论文链接:https://arxiv.org/abs/1710.03958
代码链接: https://github.com/feichtenhofer/Detect-Track
论文解读: https://blog.csdn.net/Meihuashan_HUST/article/details/84867690
当前的多目标跟踪算法主流是基于检测的框架,即 Detection based Tracking (DBT),所以检测的质量对于跟踪的性能影响是很大的。
那么在 MOT Challenge 上也分别设置了两种赛道,一种是采用官方提供的几种公共检测器的结果,即 public 赛道,一种是允许参赛者使用自己的检测器,即 private 赛道。
这篇 D&T 就属于 private 类跟踪框架,并初步将检测与跟踪框架进行了结合:
结果:
使用D&T比只有D的R-FCN提高了5个点,将backbone从res-101换为inception v4提高3%,添加的ROI tracking使得时间多了14ms,这是可以接受的。轨迹连接由于不能用GPU加速,会使得CPU的耗时增大46ms,这个增加的有点多。
优点:
1.本文在VID数据集上的评估结果要优于2016年VID比赛的冠军,同时简单高效。
2.本文提出的跟踪损失,对于静态图像的检测也是有益的,同时增加输入帧的时间步长可以得到D&T更快速的版本。
2、MOTDT:Real-Time Multiple People Tracking with Deeply Learned Candidate Selection and Person Re-Identification
论文标题: Real-Time Multiple People Tracking with Deeply Learned Candidate Selection and Person Re-Identification
论文作者: Long Chen, Haizhou Ai, Zijie Zhuang, Chong Shang
备注信息: ICME 2018
论文链接: https://arxiv.org/abs/1809.04427