摘要

现有的多对象跟踪（MOT）方法要么遵循按检测跟踪的范式分别进行对象检测，特征提取和数据关联，要么将三个子任务中的两个集成在一起以形成部分端到端解决方案。除了这些次优框架之外，我们还提出了一个名为Chained-Tracker（CTracker）的简单在线模型，该模型自然将所有三个子任务集成到了端到端解决方案中（据我们所知，这是第一个）。它链接从重叠节点估计的成对的边界框回归结果，其中每个节点覆盖两个相邻的帧。通过对象注意（由检测模块带来）和身份注意（由ID验证模块确保）使成对的回归变得专心。两个主要的新颖性：链式结构和成对的注意力回归使CTracker变得简单，快速和有效，无需依赖任何额外的训练数据即可在MOT16和MOT17挑战数据集（分别为67.6和66.6）上设置新的MOTA记录
（此处为谷歌翻译）

引言

本文是针对该论文在github上代码的一个简单实现，主要介绍一下代码实现的具体步骤，希望能够对读者有一定的帮助。（由于本人刚开始接触，做的不好的请大家批评指正，欢迎交流！）

论文地址：

 https://github.com/pjl1995/CTracker

源码地址：

    https://arxiv.org/pdf/2007.14557.pdf

声明

文章来源：腾讯优图实验室；复旦大学；NAIST
论文名称：Chained-Tracker Chaining Paired Attentive Regression Results for End-to-End Joint Multiple-Object Detection and Tracking
原文作者：Jinlong Peng

环境搭建

首先：安装所需的工具包（如若你的系统安装过了，就不需要安装了）

apt-get install tk-dev python-tk

第二：创建一个代码所需的虚拟环境

// 创建虚拟环境。
conda create -n CTracker Python=3.6.5//之后激活环境
conda activate CTracker

第三：安装环境所需的pytorch版本及相关的包（在激活后的环境中，按如下操作）

// 安装所需pytorch版本
conda install pytorch=0.4.1 cuda90 -c pytorch
// 接着进入到你代码所在文件夹下，进行相关包的安装
cd {你自己代码的所属路径}pip install -r requirements.txtsh lib/build.sh

注：如果pytorch下载缓慢，可以换成清华镜像源之后，再下载。

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --setshow_channel_urls yes

准备数据集

下载MOT17数据集，建立文件夹MOT17_ROOT,之后将MOT17的训练集和测试集放在新建的文件夹下。具体格式如下图所示：（其中的两个CSV文件为CTracker代码文件夹下的data文件夹下的文件，复制过来即可）。

注：train_annots.csv文件的每一行的格式为：
path/to/image.jpg,id,x1,y1,x2,y2,class_name
当你进行训练时，要注意path/to/image.jpg是否跟你的文件夹的路径一致。

训练

注：如果只求能运行，则训练时原代码上的epoch为100，你可以将其设置为50，因为10个epoch运行时间大概1时45分，即在源代码文件夹下，train.py里边第51行，修改default=50即可。

CUDA_VISIBLE_DEVICES=0 python train.py --root_path MOT17_ROOT --model_dir ./ctracker/ --depth 50

默认情况下，训练结束后即可开始进行测试。

测试

你也可以下载训练好的模型进行相关测试。

CUDA_VISIBLE_DEVICES=0 python test.py --dataset_path MOT17_ROOT --model_dir ./trained_model/

相关说明

本篇文章引用自CTracker。

@inproceedings{peng2020ctracker,title={Chained-Tracker: Chaining Paired Attentive Regression Results for End-to-End Joint Multiple-Object Detection and Tracking},author={Peng, Jinlong and Wang, Changan and Wan, Fangbin and Wu, Yang and Wang, Yabiao and Tai, Ying and Wang, Chengjie and Li, Jilin and Huang, Feiyue and Fu, Yanwei},booktitle={Proceedings of the European Conference on Computer Vision},year={2020},
}

MOT-CTracker相关推荐

对于多目标跟踪论模型CTracker的解析
CTracker 2020年ECCV的一篇论文提出了链式跟踪算法Chained-Tracker,在MOT领域首创了基于两帧输入的链式跟踪框架,实现了端到端的联合检测跟踪,且自称是第一个真正实现端到端的 ...
收藏 | 多目标跟踪（MOT）入门
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达在科学研究中,从方法论上来讲,都应"先见森林,再见树木& ...
多目标跟踪（MOT）入门
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达来源 | 知乎-Harlek 地址 | https://www.z ...
新代系统9服务器警报,新代系统OP、MOT警报一览表
新代系统 OP 警报一览表警报编码警报内容说明 OP-001 轴板设定错误,I/O功能无法正常启动 OP-002 系统参数档存取失败,系统无法运作 OP-003 加工资料档存取失败,系统无 ...
jde多目标_华科开源多目标跟踪（MOT）实时新SOTA：FairMOT
加入极市专业CV交流群,与 10000+来自港科大.北大.清华.中科院.CMU.腾讯.百度等名校名企视觉开发者互动交流! 同时提供每月大咖直播分享.真实项目需求对接.干货资讯汇总,行业技术交流.关注 ...
基于深度学习的多目标跟踪算法——ReID与MOT的联系
©PaperWeekly 原创 · 作者|黄飘学校|华中科技大学硕士研究方向|多目标跟踪最近基于深度学习的多目标跟踪算法越来越多,有用于特征提取的,有改进单目标跟踪器的,也有提升数据关联的.如果 ...
基于深度学习的多目标跟踪：从UMA Tracker出发谈谈SOT类MOT算法
©PaperWeekly 原创 · 作者|黄飘学校|华中科技大学硕士生研究方向|多目标跟踪之前的文章中我们介绍了联合检测和跟踪的多目标跟踪框架,这类框架最大优势在于可以利用优秀的检测器平衡不同观 ...
多目标跟踪（MOT）领域近期值得读的几篇论文
©PaperWeekly 原创 · 作者|黄飘单位|华中科技大学硕士生研究方向|多目标跟踪 Siamese Track-RCNN 论文题目:Multiple Object Tracking wit ...
联合检测和跟踪的MOT算法解析（含MOT17 No.1等多个榜前算法）
©PaperWeekly 原创 · 作者|黄飘学校|华中科技大学硕士生研究方向|多目标跟踪最近一年里,随着 Tracktor++ 这类集成检测和多目标跟踪算法框架的出现,涌现了很多相关的多目标跟 ...
多目标跟踪(MOT)论文随笔-SIMPLE ONLINE AND REALTIME TRACKING (SORT)
转载请标明链接:http://www.cnblogs.com/yanwei-li/p/8643336.html 网上已有很多关于MOT的文章,此系列仅为个人阅读随笔,便于初学者的共同成长.若希望详细 ...

MOT-CTracker

多目标跟踪之（CTracker）Chained-Tracker: Chaining Paired Attentive Regression Results for End-to-End Joint Multiple-Object Detection and Tracking

摘要

引言