国产成人免费电影,永久中文字幕,老师让我揉她胸摸下边,亚洲无码高清视频,欧美毛片一级毛片无码免费播放,91亚洲精品国偷拍自产,他掀开裙子舌头伸进去在线观看,成人免费视频国产免费麻豆网站

點(diǎn)擊上方“小白學(xué)視覺”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時(shí)間送達(dá)

作者丨Harlek@知乎

來源丨h(huán)ttps://zhuanlan.zhihu.com/p/97449724

導(dǎo)讀

本文是一篇多目標(biāo)跟蹤方向的調(diào)研報(bào)告，從相關(guān)方向、核心步驟、評價(jià)指標(biāo)和最新進(jìn)展等維度出發(fā)，對MOT進(jìn)行了全面的介紹，不僅適合作為入門科普，而且能夠幫助大家加深理解。

最近做了一些多目標(biāo)跟蹤方向的調(diào)研，因此把調(diào)研的結(jié)果以圖片加文字的形式展現(xiàn)出來，希望能幫助到入門這一領(lǐng)域的同學(xué)。也歡迎大家和我討論關(guān)于這一領(lǐng)域的任何問題。

核心步驟

MOT算法的通常工作流程：(1)給定視頻的原始幀；(2)運(yùn)行對象檢測器以獲得對象的邊界框；(3)對于每個(gè)檢測到的物體，計(jì)算出不同的特征，通常是視覺和運(yùn)動特征；(4)之后，相似度計(jì)算步驟計(jì)算兩個(gè)對象屬于同一目標(biāo)的概率；(5)最后，關(guān)聯(lián)步驟為每個(gè)對象分配數(shù)字ID。

因此絕大多數(shù)MOT算法無外乎就這四個(gè)步驟：①檢測 ②特征提取、運(yùn)動預(yù)測 ③相似度計(jì)算 ④數(shù)據(jù)關(guān)聯(lián)。

其中影響最大的部分在于檢測，檢測結(jié)果的好壞對于最后指標(biāo)的影響是最大的。

但是，多目標(biāo)追蹤的研究重點(diǎn)又在相似度計(jì)算和數(shù)據(jù)關(guān)聯(lián)這一塊。所以就有一個(gè)很大的問題：你設(shè)計(jì)出更好的關(guān)聯(lián)算法可能就提升了0.1個(gè)點(diǎn)，但別人用一些針對數(shù)據(jù)集的trick消除了一些漏檢可能就能漲好幾個(gè)點(diǎn)。所以研究更好的數(shù)據(jù)關(guān)聯(lián)的回報(bào)收益很低。因此多目標(biāo)追蹤這一領(lǐng)域雖然工業(yè)界很有用，但學(xué)術(shù)界里因?yàn)橹笜?biāo)數(shù)據(jù)集的一些原因，入坑前一定要三思。

評價(jià)指標(biāo)

關(guān)于評價(jià)指標(biāo)：

第一個(gè)是傳統(tǒng)的標(biāo)準(zhǔn)，現(xiàn)在已經(jīng)沒人用了，就不介紹了。

第二個(gè)是06年提出的CLEAR MOT?，F(xiàn)在用的最多的就是MOTA。但是這個(gè)指標(biāo)FN、FP的權(quán)重占比很大，更多衡量的是檢測的質(zhì)量，而不是跟蹤的效果。

第三個(gè)是16年提出的ID scores。因?yàn)槎际腔谄ヅ涞闹笜?biāo)，所以能更好的衡量數(shù)據(jù)關(guān)聯(lián)的好壞。

數(shù)據(jù)集

數(shù)據(jù)集用的最多的是MOTChallenge，專注于行人追蹤的。

第二個(gè)KITTI的是針對自動駕駛的數(shù)據(jù)集,有汽車也有行人，在MOT的論文里用的很少。

還有一些其他比較老的數(shù)據(jù)集現(xiàn)在都不用了。

15年的都是采集的老的數(shù)據(jù)集的視頻做的修正。

16年的是全新的數(shù)據(jù)集，相比于15年的行人密度更高、難度更大。特別注意這個(gè)DPM檢測器，效果非常的差，全是漏檢和誤檢。

17年的視頻和16年一模一樣，只是提供了三個(gè)檢測器，相對來說更公平。也是現(xiàn)在論文的主流數(shù)據(jù)集。

19年的是針對特別擁擠情形的數(shù)據(jù)集，只有CVPR19比賽時(shí)才能提交。

這個(gè)是MOT16公開檢測器上的結(jié)果。可以看到從17年開始，MOTA就漲的很慢了。關(guān)注一下這個(gè)幀率有20Hz的算法MOTDT也是我后面要講的一個(gè)。

這個(gè)是MOT16私有檢測器上的結(jié)果?？梢钥吹?strong style="max-width: 100%;color: black;box-sizing: border-box !important;word-wrap: break-word !important;">檢測器性能的好壞對于結(jié)果的影響非常重要。SOTA算法換了私有檢測器后性能直接漲了快20個(gè)點(diǎn)。

這個(gè)是MOT17公開檢測器上這幾年比較突出的算法。注意因?yàn)檫@個(gè)數(shù)據(jù)集用了三個(gè)檢測器，所以FP、FN這些指標(biāo)也都幾乎是16數(shù)據(jù)集的三倍。

SORT和DeepSORT

關(guān)鍵算法

從這兩個(gè)工業(yè)界關(guān)注度最高的算法說起。

SORT作為一個(gè)粗略的框架，核心就是兩個(gè)算法：卡爾曼濾波和匈牙利匹配。

卡爾曼濾波分為兩個(gè)過程：預(yù)測和更新。預(yù)測過程：當(dāng)一個(gè)小車經(jīng)過移動后，且其初始定位和移動過程都是高斯分布時(shí)，則最終估計(jì)位置分布會更分散，即更不準(zhǔn)確；更新過程：當(dāng)一個(gè)小車經(jīng)過傳感器觀測定位，且其初始定位和觀測都是高斯分布時(shí)，則觀測后的位置分布會更集中，即更準(zhǔn)確。

匈牙利算法解決的是一個(gè)分配問題。SK-learn庫的linear_assignment___和scipy庫的linear_sum_assignment都實(shí)現(xiàn)了這一算法，只需要輸入cost_matrix即代價(jià)矩陣就能得到最優(yōu)匹配。不過要注意的是這兩個(gè)庫函數(shù)雖然算法一樣,但給的輸出格式不同。具體算法步驟也很簡單，是一個(gè)復(fù)雜度?的算法。

DeepSORT的優(yōu)化主要就是基于匈牙利算法里的這個(gè)代價(jià)矩陣。它在IOU Match之前做了一次額外的級聯(lián)匹配，利用了外觀特征和馬氏距離。

外觀特征就是通過一個(gè)Re-ID的網(wǎng)絡(luò)提取的，而提取這個(gè)特征的過程和NLP里詞向量的嵌入過程（embedding）很像，所以后面有的論文也把這個(gè)步驟叫做嵌入（起源應(yīng)該不是NLP，但我第一次接觸embedding是從NLP里）。然后是因?yàn)闅W氏距離忽略空間域分布的計(jì)算結(jié)果，所以增加里馬氏距離作為運(yùn)動信息的約束。

SORT

這個(gè)SORT的流程圖非常重要，可以看到整體可以拆分為兩個(gè)部分，分別是匹配過程和卡爾曼預(yù)測加更新過程，都用灰色框標(biāo)出來了。一定要把整個(gè)流程弄明白。后面的多目標(biāo)追蹤的大框架基本都由此而來。

關(guān)鍵步驟：軌跡卡爾曼濾波預(yù)測→ 使用匈牙利算法將預(yù)測后的tracks和當(dāng)前幀中的detecions進(jìn)行匹配（IOU匹配） → 卡爾曼濾波更新

對于沒有匹配上的軌跡，也不是馬上就刪掉了，有個(gè)T_lost的保存時(shí)間，但SORT里把這個(gè)時(shí)間閾值設(shè)置的是1，也就是說對于沒匹配上的軌跡相當(dāng)于直接刪了。

關(guān)于這點(diǎn)論文里的原話是：

首先，恒定速度模型不能很好地預(yù)測真實(shí)的動力學(xué)，其次，我們主要關(guān)注的是幀到幀的跟蹤，其中對象的重新識別超出了本文的范圍。

這篇文章的機(jī)翻在《SORT》論文翻譯

DeepSORT

這是DeepSORT算法的流程圖，和SORT基本一樣，就多了級聯(lián)匹配（Matching Cascade）和新軌跡的確認(rèn)（confirmed）。

這篇文章的機(jī)翻在《DeepSORT》論文翻譯

關(guān)鍵步驟：軌跡卡爾曼濾波預(yù)測→ 使用匈牙利算法將預(yù)測后的tracks和當(dāng)前幀中的detecions進(jìn)行匹配（級聯(lián)匹配和IOU匹配） → 卡爾曼濾波更新

級聯(lián)匹配是核心，就是紅色部分，DeepSORT的絕大多數(shù)創(chuàng)新點(diǎn)都在這里面，具體過程看下一張圖。

關(guān)于為什么新軌跡要連續(xù)三幀命中才確認(rèn)？個(gè)人認(rèn)為有這樣嚴(yán)格的條件和測試集有關(guān)系。因?yàn)闇y試集給的檢測輸入非常的差，誤檢有很多，因此軌跡的產(chǎn)生必須要更嚴(yán)格的條件。

級聯(lián)匹配流程圖里上半部分就是特征提取和相似度估計(jì)，也就是算這個(gè)分配問題的代價(jià)函數(shù)。主要由兩部分組成：代表運(yùn)動模型的馬氏距離和代表外觀模型的Re-ID特征。

級聯(lián)匹配流程圖里下半部分數(shù)據(jù)關(guān)聯(lián)作為流程的主體。為什么叫級聯(lián)匹配，主要是它的匹配過程是一個(gè)循環(huán)。從missing age=0的軌跡（即每一幀都匹配上，沒有丟失過的）到missing age=30的軌跡（即丟失軌跡的最大時(shí)間30幀）挨個(gè)的和檢測結(jié)果進(jìn)行匹配。也就是說，對于沒有丟失過的軌跡賦予優(yōu)先匹配的權(quán)利，而丟失的最久的軌跡最后匹配。

論文關(guān)于參數(shù)λ（運(yùn)動模型的代價(jià)占比）的取值是這么說的：

在我們的實(shí)驗(yàn)中，我們發(fā)現(xiàn)當(dāng)相機(jī)運(yùn)動明顯時(shí)，將λ= 0設(shè)置是一個(gè)合理的選擇。

因?yàn)橄鄼C(jī)抖動明顯，卡爾曼預(yù)測所基于的勻速運(yùn)動模型并不work，所以馬氏距離其實(shí)并沒有什么作用。但注意也不是完全沒用了，主要是通過閾值矩陣（Gate Matrix）對代價(jià)矩陣（Cost Matrix）做了一次閾值限制。

關(guān)于DeepSORT算法的詳細(xì)代碼解讀我比較推薦：目標(biāo)跟蹤初探（DeepSORT）

但關(guān)于卡爾曼濾波的公式講的不是很詳細(xì)，具體推導(dǎo)可以看看 Kalman Filter 卡爾曼濾波

改進(jìn)策略

看到這個(gè)DeepSORT的流程圖不知道大家可以想到什么優(yōu)化的地方？其實(shí)有幾個(gè)點(diǎn)是很容易想到的。

第一點(diǎn)，把Re-ID網(wǎng)絡(luò)和檢測網(wǎng)絡(luò)融合，做一個(gè)精度和速度的trade off；

第二點(diǎn)，對于軌跡段來說，時(shí)間越長的軌跡是不是更應(yīng)該得到更多的信任，不僅僅只是級聯(lián)匹配的優(yōu)先級，由此可以引入軌跡評分的機(jī)制；

第三點(diǎn)，從直覺上來說，檢測和追蹤是兩個(gè)相輔相成的問題，良好的追蹤可以彌補(bǔ)檢測的漏檢，良好的檢測可以防止追蹤的軌道飄逸，用預(yù)測來彌補(bǔ)漏檢這個(gè)問題在DeepSORT里也并沒有考慮；

第四點(diǎn)，DeepSORT里給馬氏距離也就是運(yùn)動模型設(shè)置的系數(shù)為0，也就是說在相機(jī)運(yùn)動的情況下線性速度模型并不work，所以是不是可以找到更好的運(yùn)動模型。

未來展望

最后用多目標(biāo)追蹤未來的一些思考作為結(jié)尾，這句話是最近的一篇關(guān)于多目標(biāo)追蹤的綜述里的。

它在最后提出對未來的方向里有這樣一句話，用深度學(xué)習(xí)來指導(dǎo)關(guān)聯(lián)問題。其實(shí)現(xiàn)在基于檢測的多目標(biāo)追蹤都是檢測模塊用深度學(xué)習(xí)，Re-ID模塊用深度學(xué)習(xí)，而最核心的數(shù)據(jù)關(guān)聯(lián)模塊要用深度學(xué)習(xí)來解決是很困難的?，F(xiàn)在有一些嘗試是用RNN，但速度慢、效果不好，需要走的路都還很長。

我個(gè)人覺得短期內(nèi)要解決實(shí)際問題，還是從Re-ID的方面下手思考怎樣提取更有效的特征會更靠譜，用深度學(xué)習(xí)的方法來處理數(shù)據(jù)關(guān)聯(lián)不是短時(shí)間能解決的。

參考文獻(xiàn)：

[1] Alex Bewley, Zongyuan Ge, Lionel Ott, Fabio Ramos, and Ben Upcroft. Simple online and realtime tracking. In2016 IEEE International Conference on Image Processing (ICIP), pages 3464–3468. IEEE, 2016.

[2] Nicolai Wojke, Alex Bewley, and Dietrich Paulus. Simple online and realtime tracking with a deep associationmetric. In2017 IEEE International Conference on Image Processing (ICIP), pages 3645–3649. IEEE, 2017.

[3] Chen Long, Ai Haizhou, Zhuang Zijie, and Shang Chong. Real-time multiple people tracking with deeplylearned candidate selection and person re-identification. InICME, 2018.

[4] Zhongdao Wang, Liang Zheng, Yixuan Liu, Shengjin Wang. Towards Real-Time Multi-Object Tracking. arXiv preprint arXiv:1909.12605

[5] Gioele Ciaparrone, Francisco Luque Sánchez, Siham Tabik, Luigi Troiano, Roberto Tagliaferri, Francisco Herrera. Deep Learning in Video Multi-Object Tracking: A Survey. arXiv preprint arXiv:1907.12740

国产秋霞理论久久久电影-婷婷色九月综合激情丁香-欧美在线观看乱妇视频-精品国avA久久久久久久-国产乱码精品一区二区三区亚洲人-欧美熟妇一区二区三区蜜桃视频

基于深度學(xué)習(xí)的多目標(biāo)跟蹤（MOT）技術(shù)一覽

相關(guān)方向