FairMOT：论多目标追追踪中检测和重识别的公平性
摘要：
最近几年在物体追踪和重识别中取得了显著的进步，这对于多目标追踪是关键的组成部分。然而，很少有人关注在单个网络中联合完成这两项任务。我们的研究表明先前的尝试最终导致精确度下降，主要是因为重识别的任务没有很公平的学习到，这导致了很对身份切换。这种不公平存在于两个方面：（1）他们把准确度很大程度上取决于首先得检测任务的re-id当做是第二任务，所以训练大大偏向检测任务但是忽略了re-id任务；（2）他们使用ROI-Align来提取直接从物体检测中借鉴来的re-id特征。然而，这在表征对象时引入了许多模糊性，因为许多采样点可能属于干扰实例或背景。为了解决这个问题，我们提出了一个简单的方法FairMOT，它由两个同质的分支组成，来预测像素级的目标分数和重新识别特征。任务之间实现的公平性使FairMOT能够获得高水平的检测和跟踪精度，并在几个公共数据集上以较大优势优于以前的技术水平。