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

这里写图片描述

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

这里写图片描述

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

这里写图片描述

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

这里写图片描述

MOT16 跟踪算法描述

这里写图片描述

MOT16 跟踪性能比较

这里写图片描述