【MOT】GHOST: Simple Cues Lead to a Strong Multi-Object Tracker

GHOST: Simple Cues Lead to a Strong Multi-Object Tracker

论文地址：https://arxiv.org/abs/2206.04656
代码：https://github.com/dvl-tum/GHOST
论文接收：CVPR2023

1、动机

reID模型在MOT表现不佳的原因：

• （i）reID 模型需要考虑在不同时间范围内预期的不同挑战，即，虽然在附近的帧中，对象的外观变化最小，但在较长的时间间隔中更多预计会发生严重变化，例如，由（部分）遮挡【在不同时间的外观特征不一致，特别是遮挡导致外观特征明显变化】
• （ii）reID性能在 MOT 序列中往往不一致，因为它们的图像统计数据不同【在不同数据集上训练得到的reID不通用（不够鲁棒）】

2、方法

提出一种将reID与简单的线性运动模型加权的MOT方法： GHOST：Good Old Hungarian Simple Tracker
具体贡献：

• 提供了关键的设计选择（见下文外观模型部分），可以显着提高用于 MOT 任务的 reID 模型的性能。
• 分析了在哪些潜在情况下外观是不够的，以及何时可以通过运动来支持。
• 在四个数据集实现SOTA

track管理方法

o_i=(f_i, p_i)表示某时刻的某track，其中f_i表示embedding，p_i表示box位置。
轨迹库T最多保存50帧轨迹

外观模型

model：ResNet50+FC（+BN+classify head）
train：Market-1501数据集
设计选择（design choice）：

（i）以不同的方式处理活动和非活动轨迹；

图2是距离分布直方图，图2（a）展示了活动轨迹和非活动轨迹在外观距离上的差异，表明活动轨迹的外观特征总体差异较小，连续帧间几乎没有变化；但不活动轨迹（遮挡）在连续帧间易出现外观特征变化较大的情况并且导致错误匹配（浅蓝色区域）

• 外观距离代价函数【余弦距离d(·)】：
  第t帧活动轨迹j与检测框i关联时外观距离为
  d_i,j = d(f_i, f_j^t-1)
  非活动轨迹k与检测框i关联时外观距离为前Nk帧得embedding与检测i的embedding的距离的平均值，即
  

【本人总结】外观距离可以用多种方式来计算：
（1）one embedding：采用上一帧的embedding来计算（最简单的形式）
（2）embedding bank：每个track保存一个embedding库，计算库中embedding与检测框embedding的最小值作为关联距离【deepsort】
（3）EMA embedding：采用EMA（指数移动平均）不断更新embedding，匹配时用EMA平均的embedding来计算距离【JDE、FairMOT】
（4）EMA bank：既采用EMA计算平均embedding，又保存在库中，计算时取最小的【GIAOTracker】
（5）MA embedding：用MA（移动平均）不断更新embedding【Tracktor】
（6）MA distacnce：每一帧embedding计算的距离的MA【本文】
（7）Mode embedding：保存一个embedding库，取每个维度上的众数作为计算用的embedding【本文附录】
（8）Median embedding：保存一个embedding库，取每个维度上的中位数作为计算用的embedding【本文附录】

（ii）增加动态域自适应（On-the-fly Domain Adaptation）

应该是属于person re-identification领域的概念。

作者在引言部分提到不同数据集的数据分布不一致导致re-ID模型不够鲁棒，因此采用BN的方法来学习数据分布

运动模型

平均线性运动（取Nk帧位置计算平均速度）

运动权重设置为0.5（作者在附录中说不同数据集、不同情况下权重不一样，具体情况具体分析）

关联方式

在匹配时采用一次匈牙利匹配，对活动轨迹和非活动轨迹设置不同的阈值，如图2（b）所示

3、实验：

作者发现：

• 动态场景下（相机运动）：在长期和短期关联方面，外观表现优于运动，因为相机运动导致运动难以估计
• 静态场景下（固定相机）：在长期关联方面运动表现优于外观，在遮挡情况下外观表现极差

附录中提到：外观经常被用来处理运动无法解决的长期关联，而运动通常用于短期。

其他实验详见原文，作者做了巨多实验。

个人总结：

验证了活跃track和非活跃track外观特征的差异，因此采用不同方式计算。
创新点在于提出一种新的外观距离计算方式，并且进行实验验证；动态域自适应我不了解，不好评价，应该是从其他领域借鉴过来的，反映到MOT上就是不同数据集分布不一致，re-ID模型不够鲁棒；其他就没什么了，实验工作量挺大。

附录

• A、BDD100K实验
• B、对正文部分实验的分析，主要是对遮挡程度、遮挡时间
• C、对动态域自适应的深入分析
• D、对外观距离做了个小总结及实验【写的不错】
• E、运动权重分析，面向数据集分析
• F、对平均速度计算用的帧数做分析，面向数据集分析
• G、track寿命分析（max_age）
• H、自适应阈值分析及算法
• I、距离分布计算，应该是实验设置细节
• J、相似MOT方法比较（主要是将track进行分类的），提到ByteTrack、DeepSORT、HCC等
• K、作者认为ByteTrack在不同数据集上调参，甚至更改基线模型（引入额外的re-ID模型），对其普遍性表示质疑。【看戏】
• L、对每个模块的耗时进行计算，在Quadra P6000 GPU上速度10FPS
• M、效果可视化