GMOT-40: A Benchmark for Generic Multiple Object Tracking速读笔记

(一)Title

前言: 本文中指出GMOT与MOT并非完全相同的内容,因此本篇文章不在其关注范围内。

(二)Keypoints

问题:

大多数现有研究依赖于对目标(如行人)的先验知识,难以扩展到未见过的类别。

这一问题让我感到困惑,不确定下面的引言部分是否有所涉及。

相较之下,General Multiple Object Tracking(GMOT)仅依赖很少的目标先验信息。

这一疑问的核心在于GMOT与传统MOT有何本质区别？

本文的工作：

• 初始公开密集型的GMOT数据集采用了基于两种不同的tracking protocols的方法来评估各类跟踪算法的性能特点。
  • 系统性地构建了一系列基准模型以支持GMOT系统的开发与优化工作。
  • 基于一系列改进后的传统MOT算法框架对GMOT-40进行了系统性评估

(四)Notes

4.1 MOT算法

model-based 方法

基于类别感知的候选框生成器用于目标检测任务中，并与追踪器协同工作以解决数据关联问题。
相似性估计方法包括：

• 匈牙利算法（Hungarian algorithm）
• 网络流（Network flow）
• 图形多曲线跟踪（Graph multi-curve tracking）
• 多维指派问题（Multi-dimensional assignment problem）
• 多重假设跟踪框架（Multiple hypothesis tracking framework）
  通过深度神经网络技术实现数据关联处理，并优化目标匹配关系以提升跟踪性能。

model-free 方法

主要针对单目标跟踪问题，在first frame仅提供一个target bounding box的情况下, tracker无法得知该目标的具体类别信息,拓展至多目标跟踪（MOT）领域被认为是计算机视觉与模式识别领域中的一个前沿研究方向。

MOT的benchmarks

复制代码

* PETS基准测试（单一摄像头下的三个序列）用于行人跟踪。
* KITTI包含有两个类别：行人与车辆。
* 社会意识的大规模 crowd forecasting 用于行人的追踪。
* UA-DETRAC用于车辆追踪。
* MOT15包含了两个类别：行人与车辆，并包含22个序列数据集。
* MOT16包含了两个类别：行人与车辆，并包含14个序列数据集。
* VisDrone包含了两个类别：行人与车辆，并包含96个数据集。