In Defense of MOT：读CVPR17《Deep Network Flow for Multi-Object Tracking》有感

多目标跟踪的帧间数据关联可以分为online（frame-by-frame）和offline（batch-by-batch）两类。前者讲究追求real-time tracking，跟踪结果的给出无时延，理论上讲可以拼Real-time（可惜往往没戏嘻嘻。。）；后者讲究利用前后帧更多的信息，即在一个time window中一次性实现多帧的关联，用精度换速度换时效性。不可避免地带了了输出的迟滞，而且关联的问题也由online的二部图匹配提升到多部图匹配，且匹配的解空间随batch的增大而指数增长。

用Network flow（NF）解多目标跟踪中的帧间数据关联基本属于标准操作，隶属于上述的第二类batch-mode。此类用NF方法解detections或者tracklets之间关联的业界标杆是USC Nevatia大师的CVPR08佳作《Global Data Association for Multi-Object Tracking Using Network FLows》以及ECCV08《Robust Object Tracking by Hierarchical Association of Detection Responses》。当然，我的带教导师UCF Dr.Shah也在此方面多有建树。但是Shah大师更倾向于用multi-clique的方法来formulate多目标关联的问题，详情请搜GMCP tracker~~~

下接正文：

核心上说，Bipartite Matching是逐帧关联，是一种online method；Network Flow是一种batch-mode，offline多帧关联。不论是BM还是NF，都可以化作一个Linear Programming的优化问题求解。而且，Bipartite matching（乃至多步图匹配问题）也可以化作network flow的问题。而在这个优化问题中，最关键的是cost function。

Cost function和affinity metric是分不开的。作为衡量pair-wise cost而言，链各个entities之间的affinity往往是影响cost的重要依据。而这种pair-wise affinity的来源，一般有detector confidence，motion & appearance similarities，i.e. temporal & spatial distances。

本文是分步走的DA，先DR2DR生成TLs（没有用Detector，DR是直接用数据库给出的DR），再由TLs生成Traj。DR2DR DA用的是overlapping temporal window做的batch-wise network flow minimization bi-level optimization；而TL2TL用的是HA做二部图匹配，affinity用的是两个TL之间重合的DR数目。

在DR2DR用network flow解多步图匹配阶段establish E2E learning。学什么？学cost，准确说是学cost function中的参数。把多步图匹配求解的问题转化为一个bi-level minimization，其中的cost term是参数化的，学就学cost里面的参数。当然，因为是E2E，所以gradient BP回前段计算appearance affinity时的CNN feature extractor too。所谓参数化cost，就是省去原来hand-crafted cost function时1.对function的选择，2. Grid search优化调参。可学习的cost function就是一些MLP把输入feature转化为一个scalar value output。

1. 如何把一个多帧DA的多步图匹配转化为一个Network Flow问题（即构建一个NF graph，在这个graph里面找出minimum flow）：

• 如图所示是一个三帧的三步图匹配；分别有3，3，2个目标；
• 每个DR在NF graph里转化为一对儿nodes；
• NF graph中有一个源节点和一个终点（S and T）；
• NF graph中一共有两类4种edge，每个edge有一个indicator x和一个cost c：

Unary edge：

1. Xidet，Cidet ：一个DR的一对儿Node之间的edge，（cost通常来自detector confidence）；红色
2. Xiin，Ciin ：一个DR中的前一个node与源节点的edge；黑色
3. Xiout，Ciout ：一个DR中的后一个node与终节点的edge；黑

Pairwise edge：

      Xi，jlink，Ci，jlink：前面帧DR的后一个节点与后面帧DR的前一个节点的edge（cost通常是连个DR的affinity）。注意，这里面前后DR可以跨帧连接，这样可以客服occlusion和missed DR带来的fragmentation；蓝色

在这个NF graph中，求最优association就是求最优的一组edge x*能够有最优的minimum over all全graph源点到终点的flow（图中粗线就是最优解，可见有些蓝色的pairwise edge没有在解中）：要满足flow conservation constraint所以就不会出现最优解是0 flow，因为in-edge是正无穷的weight，而所有edge上的cost都是负值，相当于在还债。Affinity越大，confidence越大，越负，就能换越多的债，就越会出现在解中。

本文要E2E学的，就是上式子中的cost term c。传统方法中c是hand-made，固定的公式。这里，我们让c变成一个parameterized cost function，这样整个E2E train的loss minimization优化问题就变成了一个Bi-level的双优化问题，同时优化整个训练的loss，以及minimum flow as a constraint：

其中c = c（f，θ），θ就是要train要学的参数。

1. 训练：

• 制作gt数据：

GT数据就是一组xgt indicators （0或1），指定那些edge是activated，就说明这条edge上相关的node的相关的DR在traj上。

在多目标跟踪库上有两组bbox：一组是由ID的人工画出来的bbox是GT，一组是没有ID的但是有detector confidence score的detector检测结果bbox是DRs。因为网络的输入时raw DR，所以做GT就是把同样这些DR给上标签的过程。做GT就是把和某个GT box IoU超过0.5的confidence最大的DR box assign给这个GT traj，即这个DR在NF graph中的xdet是1，且跨帧连接路径中有这个DR，它与上下帧中同样assign给这个GT traj的DR们之间的Xlink是1，若没有上下帧同样ID的DR，则这个DR的xin或者xout是1。

• Loss function：weighted L2 loss w.r.t. unary and pairwise edge，weight来reason不同的FP-TP-FN-TN连接的情况。

1. 跟踪逻辑：

1. 用密集overlapp的temporal滑窗得到一段一段帧的DRs，然后解决每个小窗里的基于NF的多步图匹配问题，得到TLs；
2. Tl和TL之间的关联用基于overlapping DR numer为affinity的HA来做二部图匹配。

1. cost function：

• hand-crafted：

上述式子中的hyper-parameters包括α，β，C，通过grid search来不断尝试最大化MOTA同时maintain Recall来确定。这个调参的过程是exponential的随着超参数的数量增长，然而这也正是使用hand-crafted cost的最大弊端。

• Learned with NF：

Unary cost与上述hand-crafted一样，而pairwise cost选用1 layer MLP with 64 neurons，or two layers MLP with 32 neurons each。就是用全连接层来，输入feature，转换产生scalar value cost，这样就省去了对β调参的过程。

1. Features used to compute cost（affinity）with：

在Bipartite matching的场景下是最大化overall affinity，而在mini-network flow场景下就是最小化cost，而cost往往是affinity取倒数。

Motion-wise，用的是bbox IoU，ALFD；

Appearance-wise，用的是raw image with ResNet feature extractor，or Siamese CNN直接compute pairwise score。