【学习笔记】目标跟踪领域SOTA方法比较

原创

已于 2023-07-28 08:50:46 修改 · 2.8k 阅读

14 ·

CC 4.0 BY-SA版权

文章标签：

#目标跟踪 #人工智能 #计算机视觉

于 2023-07-27 15:07:38 首次发布

本文介绍了四种在行人跟踪数据集上表现出色的多目标跟踪算法：TraDeS利用JDT范式，结合CenterNet和CVA实现跟踪；FairMOT基于JDE，用ResNet和re-ID分支处理检测和区分目标；SMILEtrack采用TBD和SDE，利用YOLOX和SLM进行检测和关联；ByteTrack则依赖TBD和BYTE数据关联策略，与YOLOX结合，通过三级匹配提升跟踪效果。

前言

常用于行人跟踪的多目标跟踪数据集包括：MOT 15/16/17/20、PersonPath22等…
为更好比较现有SOTA算法的检测性能，本博客将针对在各数据集上表现较优的算法模型进行介绍。（表中画粗数据表明对应算法为该数据集表现最优算法）

数据集	算法模型	MOTA	年份	代码
MOT15	TraDeS	66.5	2021	https://github.com/JialianW/TraDeS
MOT16	FairMOT	74.9	2022	https://github.com/ifzhang/FairMOT
MOT17	SMILEtrack	81.06	2022	https://github.com/WWangYuHsiang/SMILEtrack
MOT20	SMILEtrack	78.2	2022	https://github.com/WWangYuHsiang/SMILEtrack
PersonPath22	ByteTrack	75.4	2021	https://github.com/ifzhang/ByteTrack