Deep SORT

论文连接：Simple Online and Realtime Tracking with a Deep Association Metric

这篇论文是基于SORT的小改进，内容不多，这里简单介绍一下~

1. 概述

在原始 SORT 算法中，作者使用了很简单的设计，而本文 Deep SORT 算法是基于 SORT 的改良，主要针对 ID_SW 问题进行了算法改进。

• 特征描述：SORT 中使用 IOU 距离来描述关联问题中的关联损失，Deep SORT 则结合运动信息距离$d_1$d1​和外观信息距离$d_2$d2​，来提高算法性能；结合后的匹配损失 c = $\lambda d_1$λd1​ + $(1-\lambda) d_2$(1−λ)d2​
  • 运动信息：计算检测框和Kalman预测框之间的马氏距离 $d_1$d1​；
  • 外观信息：通过CNN在ReID上预训练来获得外观描述模型，计算 track 和 detection 之间的外观特征余弦距离，从中选最小的作为外观特征距离 $d_2$d2​；
• 级联匹配：只保留d1、d2 均大于一定阈值的关联，然后对 track 与 detection 进行关联；其中设置优先级：持续未被关联帧长度（Age）较小的 track 有更高优先级去关联；另外为了提高对外观信息突变的鲁棒性，在匹配的最后，对age=1的剩余 track 用 IOU Distance 再进行一次匹配；
• 其他：对于状态空间、运动模型、进场离场等方面的处理，和SORT相似，这里不再赘述。

设计思想：

• 运动信息：适用于短期预测
• 外观信息：有利于遮挡后的ID恢复
• 级联匹配：长期遮挡后的Kalman预测会有更大的不确定性，而马氏距离会不合理地缩小这种差距，所以引入优先级来解决这个问题
  
  

2. 总结

相比SORT，Deep SORT 确实显著改善了IDSW性能，不过也加剧了FP问题，因为引入了更丰富的关联策略。

（总结日常交给作者）