Tracking without bells and whistles

Tracking without bells and whistles

2019-08-07 20:46:12

Paper: https://arxiv.org/pdf/1903.05625

Code: https://github.com/phil-bergmann/tracking_wo_bnw

1. Background and Motivation:

本文提出一种很霸道的观点：A detector is all you need for Multi-Object Tracking。我们知道 MOT 的常规思路都是要先检测，在做数据连接（data association）。但是，作者发现，最近两年，虽然有很多方法被提出，但是悲剧的是，在几个公共的 MOT 数据集上，并没有很明显的提升（两年才提升了2点多：multiple object tracking accuracy has only improved 2.4% in the last two years on the MOT16 MOTChallenge benchmark）。作者发现通过仅仅利用物体检测算法，如 Faster rcnn，就可以达到 state of the art 的效果。这也引出了一个很有意思的问题：如果一个检测器就可以很好地完成 MOT 的任务，那么，tracking algorithm 有什么用呢？这还是必要的吗？我们先来看看作者提出的算法框架到底是怎么样的。

2. A detector is all you need：

有一些物体检测算法中包含通过 regression 的方式进行 bounding box refinement 的模块。作者提出使用这种 regressor 来进行 MOT。这种方式有如下两种优势：

1). 不需要任何关于 tracking 的训练；

2). 在测试阶段不进行任何复杂的优化，因为该算法是 online 的。

此外，本文的方法也可以达到 SOTA 的效果。

2.1 Object detector：

这个貌似没啥说的，就是用基于 Resnet-101 和 Feature Pyramid Networks 的方法在 MOT17Det pedestrian detection dataset 上进行预训练。得到这种物体检测器之后呢？一起来看 2.2 小节。

2.2 Trackor：

MOT 的挑战在于：提取给定的视频帧中的多个物体的时间和空间上位置信息，即：轨迹。这种轨迹信息被定义为：一系列有序的物体包围盒的集合。

在时刻 t=0，作者的 tracker 用第一组检测的结果进行初始化，即：$D_0 = {d^1_0, d^2_0, ... } = B_0$。在图 1 中，我们展示了两个随后的步骤：the bounding box regression and track initialization。

Bounding box regression.

第一步就是，如上图蓝色箭头所示，探索 bounding box regression 来拓展激活的轨迹。通过将 t-1 帧的 bounding box $b^k_{t-1}$ 进行回归，得到第 t 帧 新的位置 $b^k_t$。在 Faster RCNN 中，这就对应了在当前帧的 feature map 上进行 RoI Pooling 操作，但是用的是前一帧的 BBox。作者提出这种做法的一个假设就是：两帧之间的运动不是很明显，特别是在 high frame rates 的视频上。这个 identify 就自动的从之前的结果上迁移过来了，从而有效的得到了新的轨迹。这种操作可以对所有的视频帧进行重复处理。

在 BBox 回归以后，作者的跟踪器考虑两种情况来 kill 一个轨迹：

1). 一个物体在视频帧中消失了，或者被其他物体被遮挡了，即：如果新的 classification score 小于某一阈值；

2). 不同物体之间的遮挡，可以通过采用 NMS 来处理。

Bounding Box Initialization.

为了处理新出现的物体，物体检测器也提供了整个视频帧的检测结果 Dt。第二步，即图中红色箭头部分，类似于第一帧的初始化。但是，从 Dt 开始的检测，当且仅当 IoU 与任何已有的 active trajectories $b_t^k$ 小于某一阈值。即，我们考虑一个物体为新的 id，如果我们无法用任何已有的 trajectory 来描述该物体。

2.3 Tracking extensions.

作者将该模型进行了拓展，即：结合了 motion model 和 re-identification model。

Motion model. 作者之前的假设：两帧之间的变化不是很大，在有些情况下并不成立：large camera motion and low video frame rates. 在极端的情况下，BBox 从 frame t-1 在第 t 帧中可能根本不包含目标物体了。所以，作者设计了两种 motion model 来改善 BBox 的定位。对于运动相机，作者采用 相机运动补偿（camera motion compensation, CMC）的方式进行缓解。作者采用了 image registration 的方式来对齐视频帧，用的是 Enhanced Correlation Coefficient (ECC) maximization。对于低帧率的视频，作者采用 a constant velocity assumption (CVA)。这个也是别人提出的，不太了解，不知道有啥好处么？

Re-identification.  为了让 tracker 能够保持 online，作者提出利用 short-term re-ID 的方式（借助 Siamese Network 来进行 appearance feature 的匹配）来改善效果。为了达到这个目标，作者将杀死的目标，存储固定帧数的样本。然后将这些样本和新检测的目标在 embedding space 进行重识别。

3. Experiment：