跟踪算法基准--Tracking the Trackers: An Analysis of the State of the Art in Multiple Object Tracking

Tracking the Trackers: An Analysis of the State of the Art in Multiple Object Tracking https://arxiv.org/abs/1704.02781

Multiple Object Tracking Benchmark https://motchallenge.net/ https://motchallenge.net/results/MOT17Det/

本文针对多目标跟踪问题,给出了两个基准测试数据库: MOT15, MOT16,给出了 50个跟踪算法在这两个数据集上的跟踪效果。

首先来看看这两个数据库

本文主要有以下四个目标:1)给出了两个数据集用于多目标跟踪基准;2)在MOT15上分析了32个跟踪算法性能,MOT16上分析了16个跟踪算法的性能;3)分析了用于跟踪评价的常用评估准则 evaluation metrics,和人做比较;4)指出目前跟踪算法在哪里存在不足之处,为研究者指出方向。 我们从实验分析中的得出以下三个主要结论:1)跟踪的性能主要受评价指标影响 mainly influenced by the affinity metrics used,深度学习得到的跟踪模型效果最好。2)跟踪的性能和具体视频段是高度相关的,大多数算法在同一个视频跟踪效果差不多,3)尽管有一些缺点,MOTA是最好的评价准则,和人的评估最接近。

3 The Multiple Object Tracking Benchmark

BBs:bounding boxes HD: ?

3.2. Detections 对 MOT15 数据集我们使用 ACF 检测器, 对 MOT16 数据集,我们发现使用 deformable part-based model (DPM) v5 [19] 检测效果最好

4 Analysis of State-of-the-Art Trackers 4.1. Trends in Tracking 跟踪算法的发展趋势:在 2015年之前 主要侧重于Data association,最近两年来侧重 Affinity and appearance

MOT16 跟踪算法描述

MOT16 跟踪性能比较

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏贾志刚-OpenCV学堂

理解CNN卷积层与池化层计算

深度学习中CNN网络是核心,对CNN网络来说卷积层与池化层的计算至关重要,不同的步长、填充方式、卷积核大小、池化层策略等都会对最终输出模型与参数、计算复杂度产生...

2291
来自专栏机器学习算法与理论

逻辑回归与梯度下降详解

逻辑回归 Sigmoid函数: ? Sigmoid函数 梯度: ? 梯度的表达式 这个梯度是指:沿着x方向移动 ? 个单位,沿着y方向移动 ? 个...

2989
来自专栏Pytorch实践

Pytorch实现CNN时间序列预测

本公众号曾经推出过PyTorch实现的LSTM时间序列预测,并开源了其源码。细心的童鞋可能发现了,我之前使用的LSTM是生成式模型,而不是使用判别式进行预测。换...

9967
来自专栏计算机视觉

空间金字塔池化Spatial pyramid pooling net,用于语义分割

这篇文章属于小笔记类型,了解空间金字塔的作用就好。 金字塔池化层有如下的三个优点,第一:他可以解决输入图片大小不一造成的缺陷。第二:由于把一个feature m...

3686
来自专栏磐创AI技术团队的专栏

十分钟一起学会Inception网络

【磐创AI导读】:本文介绍了一些Inception网络的相关知识。想要获取更多的机器学习、深度学习资源。欢迎大家点击上方蓝字关注我们的公众号:磐创AI。

872
来自专栏决胜机器学习

深层神经网络参数调优(五) ——超参数调试、batch归一化、softmax回归

深层神经网络参数调优(五) ——超参数调试、batch归一化、softmax回归 (原创内容,转载请注明来源,谢谢) 一、超参数调试 1、超参数 超参数是不直...

4728
来自专栏梦里茶室

读论文系列:Object Detection NIPS2015 Faster RCNN

转载请注明作者:梦里茶 Faster RCNN在Fast RCNN上更进一步,将Region Proposal也用神经网络来做,如果说Fast RCNN的最大...

3228
来自专栏杂七杂八

线性分类器损失函数与最优化(上)

使用正则化一方面的优化参数,另一方面是权衡训练损失和用于测试集的泛化损失。尽管有时候会使训练集上的效果变差,甚至是分类错误,但是对于测试集的训练效果是有很大效果...

3242
来自专栏人人都是极客

机器学习三要素之数据、模型、算法

我们都知道,机器学习需要大量的数据来训练模型,尤其是训练神经网络。在进行机器学习时,数据集一般会被划分为训练集和测试集,很多时候还会划分出验证集。

6762
来自专栏ATYUN订阅号

【学术】为回归问题选择最佳机器学习算法

AiTechYun 编辑:xiaoshan 任何类型的机器学习(ML)问题,都有许多不同的算法可供选择。在机器学习中,有一种叫做“无免费午餐(No Free L...

2786

扫码关注云+社区

领取腾讯云代金券