论文浏览(10) Towards Real-Time Multi-Object Tracking

---

0. 前言

• 相关资料：
  • arxiv
  • github
  • 论文解读，翻译
• 论文基本信息
  • 领域：多目标跟踪
  • 作者单位：清华&澳大利亚国立大学
  • 发表时间：2019.9

---

1. 要解决什么问题

• 多目标跟踪的普通解决方案是检测+Re-ID。
  • 检测与Re-ID是两个独立的模型，这样性能较好，但inference time较长。
  • 这种方法在这篇论文中统一称为 Separate Detection and Embedding(SDE)，在前一篇论文（AlphAction）中被称为 two-step method。
• 这篇论文应该是比较早的 One-shot MOT 的论文，即detection与embeddings在同一个网络中实现。

---

2. 用了什么方法

• 主要就是用了 one-shot 的结构，提出的结构名为JDE(Jointly learns the Detedctor and Embedding model)
• 下面这张图就介绍了三种不同的MOT实现方案：
  • SDE：Detection与Embedding分为两个独立的模型，性能高、实时性差。
  • Two-stage：检测通过two-stage detection实现，感觉类似于 SDE，只不过检测模型通过RPN实现，实时性也不好（10fps左右）。
  • JDE：Detection与Embedding通过同一个网络实现，Detection用的是one-stage的方法。
• 对问题进行建模
  • 训练数据一般分为三个部分：图像，每张图像对应的bbox，以及每个bbox对应的label（identity labels，可以理解为人物编号吧）
  • 对于每张图片，模型的输出是bbox以及每个bbox的features。
  • 训练目标是：
    • 令模型输出的bbox与GT尽可能相同（检测问题）。
    • 定义一个$d()$函数，用于定义不同features之间的“距离”，是的相同label物体之间的“距离”都小于不同label物体之间的“距离”（metrics learning）。其中$d()$可以使用欧几里德距离。
• JDE 网络结构如下图所示
  • backbone使用了FPN结构。
  • 类似于SSD/Yolo，若干特征图都连接了一个prediction head，实现了检测以及获取embedding。
• online association
  • 作用：将当前bbox的特征与历史bbox特征进行关联。
  • 主要方法：计算关联矩阵，然后通过匈牙利算法匹配，另外通过卡尔曼滤波过滤位置差距较大的匹配。

---

3. 效果如何

• 与当时的一些SOTA进行对比，在准确率差距不大的情况下，FPS大大提升
• 与一些SDE方法进行对比（FPS是在TitanXP上测的）
  • SDE方法在人比较多的情况下，FPS下降比较多。

---

4. 还存在什么问题

• 对于我来说：

  • 这个有开源，所以会仔细研究下源码。
  • 对于匈牙利算法+卡尔曼滤波目前不是特别懂，还需要仔细看看。

• 在看大佬的问题时看到过这类one-shot算法存在的问题，将detection与re-id放到一起存在一个缺陷，detection需要的是category的特征（即类别特征），而re-id需要的是identity的特征（即个体特征），这是一个本质问题。

• 在FairMOT中也提到了一些问题，使用anchor-based detection不适合用于Re-ID，Re-ID需要不同分辨率的特征进行融合，Re-ID特征维度不能太高。