ByteTrack: Multi-Object Tracking by Associating Every Detection Box论文理解及代码复现

ByteTrack: Multi-Object Tracking by Associating Every Detection Box论文理解及代码复现

论文地址：https://arxiv.org/pdf/2110.06864.pdf
代码地址：https://github.com/ifzhang/ByteTrack

一、论文理解

1 提出问题

从检测任务对接到跟踪任务时，采用阈值过滤掉检测网络输出的边界框，使得检测信息出现丢失,造成跟踪过程出现中断的情况，使得跟踪任务对检测任务的要求过高。低置信度检测框有时表示物体的存在，如被遮挡的物体。BYTE保留了每个检测框，并将其分为高分检测框和低分检测框。

2、匹配方法

首先根据运动相似性将高分检测框与轨迹匹配，使用卡尔曼滤波器在新帧中预测轨迹的位置。运动相似性可以通过预测框和检测框的IoU来计算。在未匹配的tracklet之间执行第二次匹配。

3、跟踪器ByteTrack

采用最新的高性能检测器YOLOX来获取检测框，
只加入了运动模型，没有加入ReID或注意力机制模型。
输入是一个视频序列V,

参考：
https://blog.csdn.net/A_A666/article/details/120841975?spm=1001.2014.3001.5501

二、代码复现

1、Train ablation model (MOT17 half train and CrowdHuman)

python3 tools/train.py -f exps/example/mot/yolox_x_ablation.py -d 0 -b 4 --fp16 -o -c pretrained/yolox_x.pth

Evaluation on MOT17 half val

python3 tools/track.py -f exps/example/mot/yolox_x_ablation.py -c pretrained/bytetrack_ablation.pth.tar -b 1 -d 0 --fp16 --fuse

得到原作者说的MOTA76.6。