[Intensive Reading]MOT：FairMOT

雨点打透心脏的1/2处 2023-02-20 12:12 83阅读 0赞

# 简介 #

[A Simple Baseline for Multi-Object Tracking][]是一个online的**多目标跟踪**（MOT）算法，基于TBD（Traking-by-Detection）的策略，FairMOT主要就是基于[JDE][]做的改进，可以简单的理解为，FairMOT是将JDE的YOLOv3的主干，改成了CenterNet，也就是将检测的方法由Anchor-base换成了Anchor-free，然后同样在已有检测模型上加了了embeeding分支，模型输出检测的结果和embeeding，提供给后续的assiciation使用。  
当然这样替换是有道理的，下面我们从原理的部分分析下为什么要这样做。

# 原理 #

## contributions ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NoYWlwcDA2MDc_size_16_color_FFFFFF_t_70_pic_center]  
FairMOT指出，anchor-base的网络在加入embeeding分支之后，容易造成embeeding向量与实际的目标位置不匹配的问题，其实说的就是JDE╮(￣▽ ￣)╭。而改为anchor-free方法之后，这种不匹配问题会得到缓解。这是为什么呢？  
![在这里插入图片描述][202006261847432.png]  
首先我们需要知道embeeding headmap是啥样的，embeeding headmap和其他特征图有着同样的w和h，但是在channel通道上，不管是128还是512，都不在提供任何其他的信息了。也就是说embeeding headmap的w\*h上，每一个点会直接对应到原图一个目标，如果这个点恰好和原图上目标位置偏差比较大，就会不一致了。那么为什么anchor-base的结构很容易不一致，而anchor-free可以改善呢？  
本质上是两种方法采样倍率的不一致，像上图左侧的图，注意上面的白色格子很稀疏，这是因为anchor-base的下采样倍率很高，一般在16倍左右构建多尺度，而anchor-free不需要这么大的采样倍率，一般是4，这意味着同样的输入，anchor-free比anchor-base的head map的size大4倍，映射回原图，就是稠密了16倍，当然可以有改善作用了，也就是这个原因，作者决定将anchor-base换成anchor-free，采用了centernet。

## Inference ##

有了上面这个前提，其余的FairMOT和JDE的就非常非常像了，FairMOT同样有两类分支，一类是用来预测，和centernet一致，一类的embedding，加起来一个有四个：

*  center results ：  1 × H × W 1\\times H\\times W 1×H×W
 *  center offset results ：  2 × H × W 2\\times H\\times W 2×H×W
 *  bbox size results： 2 × H × W 2\\times H\\times W 2×H×W
 *  dense embedding map： D × H × W D\\times H\\times W D×H×W

embedding特征图的厚度是D。这种分支的形式就联合了检测模型和Re-ID模型，将两者合并为一个。  
而assiciation的部分和[JDE][]更是完全一致的。

## Train ##

FairMOT的训练数据和JDE是一致的，一共由6个数据集构成，其中有三个数据没有提供PID信息，只提供了检测信息。

<table> 
 <thead> 
  <tr> 
   <th>数据集</th> 
   <th>论文</th> 
   <th>描述</th> 
   <th>图像数量</th> 
   <th>ID数量</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>PRW</td> 
   <td>《Person Re-identification in the Wild》</td> 
   <td>The PRW dataset is annotated from the same video as the Market-1501 dataset, i.e., captured with 6 cameras in the summer of 2014 in Tsinghua University. We have annotated 11,816 video frames, 932 identities belonging to 34,304 bounding boxes.</td> 
   <td>5701</td> 
   <td>933</td> 
  </tr> 
  <tr> 
   <td>MOT17</td> 
   <td></td> 
   <td>MOT16的增强版，MOT16重复的数据从MOT117中剔除</td> 
   <td>5316</td> 
   <td>547</td> 
  </tr> 
  <tr> 
   <td>ETHZ</td> 
   <td>《Robust Multi-Person Tracking from Mobile Platforms》</td> 
   <td></td> 
   <td>2056</td> 
   <td>0</td> 
  </tr> 
  <tr> 
   <td>CUHK-SYSU</td> 
   <td>《End-to-End Deep Learning for Person Search》</td> 
   <td></td> 
   <td>11206</td> 
   <td>11931</td> 
  </tr> 
  <tr> 
   <td>cityperson</td> 
   <td></td> 
   <td></td> 
   <td>2500</td> 
   <td>0</td> 
  </tr> 
  <tr> 
   <td>caltech</td> 
   <td>《Caltech Pedestrian Detection Benchmark》</td> 
   <td>About 250,000 frames (in 137 approximately minute long segments) with a total of 350,000 bounding boxes and 2300 unique pedestrians were annotated.</td> 
   <td>26729</td> 
   <td>1043</td> 
  </tr> 
 </tbody> 
</table>

训练的损失函数有三个：  
还是分为centernet的损失和embedding的损失：  
![在这里插入图片描述][20200626191404590.png]  
![在这里插入图片描述][20200626191428634.png]  
其中centernet的center的损失和[cornernet][]是一致的。  
![在这里插入图片描述][20200626191415547.png]  
offset和xy的损失就是L1。  
![在这里插入图片描述][20200626191420349.png]  
embeeding的损失是交叉熵。

# 实验结果 #

## embeeding实验结果 ##

![在这里插入图片描述][20200626191759411.png]  
在embeeding实验中，FairMOT比较了DLA-34 backbone下不同采样倍率下的anchor-base和anchor-free方法的ReID的效果，但是从这个实验本身是有问题的。  
四倍的下采用样对于anchor-base的检测方法不合理，只有一个尺度的8倍下采样anchor-base的检测方法不合理，YOLOv3和JDE都使用8，16和32三个尺度的下采样倍率，单尺度和4倍的下采样是CenterNet的改进之一，DLA是否适用于anchor-base？在CenterNet前，没人用DLA作为检测的backbone；  
综合上述几点，这个实验对anchor-base是不公平的。

## MOT实验结果 ##

![在这里插入图片描述][20200626191730232.png]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NoYWlwcDA2MDc_size_16_color_FFFFFF_t_70]  
上面这个表格比较了MOT challenge两个数据集上JDE和FairMOT的实验结果，MOTA和效率都有提高，但是需要注意的一点是，在之前[MOT：通用性能评价标准][MOT]提到，对于TBD策略的MOT算法，一个优秀的检测器本身就对最后效果有促进作用，所以我们可以看下CenterNet和YOLOv3的检测对比，同样是效果和效率都有提示，所以FairMOT本身就占了检测器的便宜。

# 总结 #

最后，不论如何，FairMOT最终的效果是不错的，而且提供了JDE策略在anchor-free模型上的范式，对于两个已有方法的合理组合，达到了1+1>2的效果。

[A Simple Baseline for Multi-Object Tracking]: https://arxiv.org/abs/2004.01888v1
[JDE]: https://blog.csdn.net/chaipp0607/article/details/103543506
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NoYWlwcDA2MDc_size_16_color_FFFFFF_t_70_pic_center]: https://img-blog.csdnimg.cn/20200626181754112.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NoYWlwcDA2MDc=,size_16,color_FFFFFF,t_70#pic_center
[202006261847432.png]: https://img-blog.csdnimg.cn/202006261847432.png
[20200626191404590.png]: https://img-blog.csdnimg.cn/20200626191404590.png
[20200626191428634.png]: https://img-blog.csdnimg.cn/20200626191428634.png
[cornernet]: https://blog.csdn.net/chaipp0607/article/details/100057803
[20200626191415547.png]: https://img-blog.csdnimg.cn/20200626191415547.png
[20200626191420349.png]: https://img-blog.csdnimg.cn/20200626191420349.png
[20200626191759411.png]: https://img-blog.csdnimg.cn/20200626191759411.png
[20200626191730232.png]: https://img-blog.csdnimg.cn/20200626191730232.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NoYWlwcDA2MDc_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200626191738432.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NoYWlwcDA2MDc=,size_16,color_FFFFFF,t_70
[MOT]: https://blog.csdn.net/chaipp0607/article/details/106289610