Tracking without bells and whistles
論文地址：https://arxiv.org/abs/1903.05625
本篇文章重要講述內容在於方法的實現與作者文中的一些分析的想法。
#文章的中心思想：
作者提出了一種基於檢測器的跟蹤器（Tracker by Detection），利用檢測器（文中的Faster-Rcnn）中的迴歸模塊來完成跟蹤任務，算法中不特意去對當前存在的遮擋，加入重識別和運動預測進行優化而完成跟蹤任務。
貢獻（來這文章自述）：
1、引入了能夠用於處理跟蹤問題的跟蹤器，它是通過利用探測器的迴歸頭部部件來執行目標檢測的時間重新對齊任務的；
2、提出了兩種檢測模型擴展方法，一個Re-ID欒生網絡和一個動作網絡。這個跟蹤器在三個具有挑戰性的多目標跟蹤基準測試集上都大幅超越了所有跟蹤器；
3、在失敗案例和具有挑戰性的跟蹤場景中進行了詳細的分析，結果顯示並沒有一個專用的跟蹤方法的表現比我們的方法更好；
4、提出了兩種使用我們方法的方式作爲一種新的跟蹤範式，可以讓研究者關注於真正的跟蹤挑戰，本文的跟蹤器則處理剩下的工作。
方法實現：
我們先看下整體的流程圖
我們可以看到這個網絡是基於detection的，也就是說它在MOT任務上並不需要去初始化第一幀中目標的位置。其運行流程如下：
第一幀：
在第一幀的時候並沒有Tracker運行，爲此Detection檢測第一幀中存在的目標，並對目標進行初始化，記錄入跟蹤序列（bt）中。
第二到N幀:
在第二幀到之後的所有幀中運行同樣的步驟（代碼中step函數實現），在代碼中作者先實現了對新檢測的處理（及文章中紅色的部分），再處理跟蹤部分，由於是一個循環的過程，所以順序影響不是很大。爲了方便講述我們按圖上的上下順序：
Tracking（圖中的藍色箭頭）
1、在Tracking開始前先用了些運動對齊等方法（詳細看論文和代碼）
2、從t-1幀目標的座標信息作爲t幀的輸入，進入Faster Rcnn的ROI及之後的模塊，對座標在t幀上進行迴歸，獲得新的目標座標，id會直接繼承在迴歸後的目標上。該方法中提出了兩種kill id的可能，一種是利用對目標的評分對目標進行判斷，如果目標消失或者嚴重遮擋的話得分會低（低於設定的閾值），那麼就將這個id設入未激活序列中。另一種是在目標間重疊時，對比目標間的iou，大於一個閾值則通過nms保留評分最高的目標框，並將剩下的目標設入未激活（這個地方哪個id獲得保留並沒有弄得很明白，文中說通過nms保留分數最大的，但是重疊的時候如何來判斷id是哪個目標繼承過來的呢，在這一步也沒有看到代碼中有reid處理，可能就是題目中所說的without bells and whistles）。Detection（圖中紅色箭頭）
第t幀進入Detection後會獲得新的目標檢測結果，文中用與已有的Tracker目標對比iou來判斷是否要激活新的Tracker。此外加入Reid模型（用的Siamese network），將新識別的目標和未激活中序列中的目標進行對比，判斷是否原有存在，有則繼承之前的id，沒有則重新設立一個id。 重複以上過程則獲得MOT的跟蹤效果。
重複以上過程則獲得MOT的跟蹤效果。
文中分析：
這個方法獲得了MOT19的第二名，效果很不錯，第一名也借鑑了該方法。指標可以去參考MOT challenge的官網和論文。接下來的部分講下作者在文中提出的一些分析。
1、能見度分析（Object visibility）
如上圖所示，作者在不同的能見程度（就是遮擋程度，遮擋越大能見度越低）的目標做了實驗，可見在低能見度的時候，Tracktor++基本沒有識別能力，但是在中等和高能見度目標效果還不錯。
2、目標尺寸（Object size）
文中說該方法在小尺寸上的效果也不錯，應該是加入了FPN的原因。
3、檢測器魯棒性（Robustness to detections）
文中對比了不同的檢測器和檢測器使用所隔的幀數，不同的檢測器有差異，但是在Tracktor的方法中，幀的間隔影響不會如對比方法那樣大。
4、最理想檢測器下的跟蹤器（Oracle trackers）
這個oracle看的比較迷，後來在代碼中看懂了其實作者是想要假設一種可能性，檢測器的效果是gt的時候其他模塊所能起到的效果，以此來看看這個模型的上限如何。以下表格是作者將不同的部分換成oracle之後的效果。
未來研究方向：
1、之後可以擴展的是對特殊目標進行識別和更有用的判斷加入軌跡和識別軌跡的方法，如研究遮擋等問題跟蹤，加入複雜的運動模型等；
2、提出一套更有效的kill id的策略；
3、基於軌跡的處理；