联合检测和跟踪的MOT算法(一)

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