OC-SORT 论文翻译

PaperReading：Observation-Centric SORT: Rethinking SORT for Robust

CMU,CUHK,字节合作工作
本文主要为论文的翻译和解读，受限于笔者的知识，不一定准确
原文：Paper
Github：github repository
代码以及被集成进MMTracking

• MMTracking 是 openMMlab 出的工具包，支持模块化部署，现已经支持OC-SORT 和 StrongSORT

对SORT算法的反思

1. 运动被近似为线性，高帧率会放大它的非线性,对噪声也很敏感
2. 当由于遮挡或非线性运动而没有新的物体观测（来自检测）与现有的跟踪点相匹配时，物体状态噪声会进一步累积。我们证明，在这种情况下，KF对物体位置估计的误差积累是相对于时间而言的平方阶
3. SORT是以估计为中心的算法，它以KF的滤波的结果作为和新检测比较的依据

创新点

1. OOS(Observation-centric Online Smoothing)：以观测为中心的平滑操作：即将轨迹视为定加速度的模型，并且使用regression-based fitting 可以使得估计的中心可以更加的接近检测框。方法为基于高斯过程回归（GPR）并且使用不同的径向基函数（RBF）和 使用线性回归 对比 结果：使用为$\exp \left(-\frac{{\Vert \mathbf{x}-{\mathbf{x}}^{\prime }\Vert }^2}{50}\right)$ 的时候效果最好
2. OCM(Observation-Centric Momentum):以观察为中心的动量，$C(\hat{\mathbf{X}},\mathbf{Z})=C_{\mathrm{IOU}}(\hat{\mathbf{X}},\mathbf{Z})+\lambda C_v(\hat{\mathbf{X}},\mathbf{Z},\mathbf{V})$ 同时，$\Delta t$是先前观测的时间差 需要根据不同的dataset调整的，因为它在计算当前的运动方向($V$)
3. OCR(Observation-Centric Recovery)：将最后的出现和新出现的观测结合以解决遮挡问题 当正常的没有关联，则会在其下一次检测时都关联上，这样可以解决急停或者遮挡的问题

测试

• KITTI： the proposed method falls short in matching objects by only using IoU and trajectory direction consistency.
• MOT17：目前为第三名
• MOT20: 目前为第四名
• DanceTrack

高斯过程回归

机器学习任务之一就是回归，而GPR是一种较为复杂的回归，它是一种带有均值先验的贝叶斯线性回归，或者说是贝叶斯推断。对于线性回归，我们假设所要回归的模型是一个线性模型，希望求出这个线性模型的参数；对于高斯过程回归，我们假设所要回归的模型是一个高斯过程模型，希望求出这个高斯过程模型的参数——均值函数和协方差函数。
GPR 简介

Comment

其对SORT算法进行分析后改进，有创新但都非常好理解，相似于StrongSORT对轨迹进行小规模的插值，但没有对相机运动进行补偿。