在2017 IEEE上，Erik Bochinski等人提出了IOU Tracker，一种简单高效的多目标跟踪器；而紧接着，在2018 IEEE，VIOU被提出；本篇我们简单介绍一下这篇论文。
（注，VIOU在VisDrone2018中摘得桂冠！其winner talk的ppt在这里）
1. 简介
VIOU 是基于IOU Tracker的一种扩展，其自然和IOU Tracker一样，是在高准确检测器和高帧率视频假设下进行的跟踪（尤其是前者）。在IOU Tracker介绍中，我们提过，其虽然可以通过阈值处理有效地解决FP问题，但是过度依赖检测器的准确度，missing detections（FN）等问题会严重影响检测器性能。
VIOU就是为此而生的，它致力于通过引入新的跟踪模块——Visual Single-object Tracker，来解决FN引起的ID Switch及Fragmentations等问题。
2. 算法
VIOU的基本算法思路很简单：
具体来说： 当某一条track不能关联当前帧中的detection时（用IOU Tracker中的σIOU判定），我们引入一个visual tracker来继续对其跟踪最多 ttl 帧，若期间track重新满足了σIOU条件，则停止Visual Track而继续IOU Track；否则，track中止。
另外： 为了处理visual tracker跟丢某条track或者跳转至其他track，对每条新的track也会相前使用 ttl 帧的visual tracker；如果它与某个finished track满足某种重叠标准（overlap criteria），便可以将其合并。（这里我专门和psy师兄讨论了一下对这里的理解，因为随着帧数的增加，单向的visual tracker容易出现“跟错”的问题，引入反向跟踪就是为了缓解这种误差；假设两端track之间有10帧的距离，“前向跟踪5帧+后向跟踪5帧”，是要比“仅仅前向跟踪10帧”稳定的~）
不过： visual tracker的使用会在轨迹的开头和结尾加入视觉上的跟踪存根（add visually tracked stubs），因此需要限制visual track的使用、删除跟踪存根（论文对这里的做法并没有详细说明）
最后： 关于visual tracker的挑选，论文中使用了KCF（2015）和Medianflow（2010）检测器
3. 实验效果
作者在UA-DETRAC数据集上使用“CompACT/Mask R-CNN” detector + IOU tracker + KCF tracker；在VisDrone数据集上使用“Faster R-CNN” detector + IOU tracker + KCF/Medianflow tracker。另外，对后者，在最优分配问题上作者使用了匈牙利算法来提高性能。
从实验效果上来看，VIOU能够较大程度上缓解ID_SW和Fragments的问题，速度也较高。
至此，文章中的核心内容就介绍完了。IOU/VIOU Tracker都是思路和算法很简单的跟踪器，更多细节可以参照原论文~
