简介
A Simple Baseline for Multi-Object Tracking是一个online的多目标跟踪（MOT）算法，基于TBD（Traking-by-Detection）的策略，FairMOT主要就是基于JDE做的改进，可以简单的理解为，FairMOT是将JDE的YOLOv3的主干，改成了CenterNet，也就是将检测的方法由Anchor-base换成了Anchor-free，然后同样在已有检测模型上加了了embeeding分支，模型输出检测的结果和embeeding，提供给后续的assiciation使用。
当然这样替换是有道理的，下面我们从原理的部分分析下为什么要这样做。
原理
contributions
FairMOT指出，anchor-base的网络在加入embeeding分支之后，容易造成embeeding向量与实际的目标位置不匹配的问题，其实说的就是JDE╮(￣▽ ￣)╭。而改为anchor-free方法之后，这种不匹配问题会得到缓解。这是为什么呢？
首先我们需要知道embeeding headmap是啥样的，embeeding headmap和其他特征图有着同样的w和h，但是在channel通道上，不管是128还是512，都不在提供任何其他的信息了。也就是说embeeding headmap的w*h上，每一个点会直接对应到原图一个目标，如果这个点恰好和原图上目标位置偏差比较大，就会不一致了。那么为什么anchor-base的结构很容易不一致，而anchor-free可以改善呢？
本质上是两种方法采样倍率的不一致，像上图左侧的图，注意上面的白色格子很稀疏，这是因为anchor-base的下采样倍率很高，一般在16倍左右构建多尺度，而anchor-free不需要这么大的采样倍率，一般是4，这意味着同样的输入，anchor-free比anchor-base的head map的size大4倍，映射回原图，就是稠密了16倍，当然可以有改善作用了，也就是这个原因，作者决定将anchor-base换成anchor-free，采用了centernet。
Inference
有了上面这个前提，其余的FairMOT和JDE的就非常非常像了，FairMOT同样有两类分支，一类是用来预测，和centernet一致，一类的embedding，加起来一个有四个：
- center results ： 1 × H × W
- center offset results ： 2 × H × W
- bbox size results： 2 × H × W
- dense embedding map： D × H × W
embedding特征图的厚度是D。这种分支的形式就联合了检测模型和Re-ID模型，将两者合并为一个。
而assiciation的部分和JDE更是完全一致的。
Train
FairMOT的训练数据和JDE是一致的，一共由6个数据集构成，其中有三个数据没有提供PID信息，只提供了检测信息。
数据集 | 论文 | 描述 | 图像数量 | ID数量 |
|---|---|---|---|---|
PRW | 《Person Re-identification in the Wild》 | The PRW dataset is annotated from the same video as the Market-1501 dataset, i.e., captured with 6 cameras in the summer of 2014 in Tsinghua University. We have annotated 11,816 video frames, 932 identities belonging to 34,304 bounding boxes. | 5701 | 933 |
MOT17 | | MOT16的增强版，MOT16重复的数据从MOT117中剔除 | 5316 | 547 |
ETHZ | 《Robust Multi-Person Tracking from Mobile Platforms》 | | 2056 | 0 |
CUHK-SYSU | 《End-to-End Deep Learning for Person Search》 | | 11206 | 11931 |
cityperson | | | 2500 | 0 |
caltech | 《Caltech Pedestrian Detection Benchmark》 | About 250,000 frames (in 137 approximately minute long segments) with a total of 350,000 bounding boxes and 2300 unique pedestrians were annotated. | 26729 | 1043 |
训练的损失函数有三个：
还是分为centernet的损失和embedding的损失：
其中centernet的center的损失和cornernet是一致的。
offset和xy的损失就是L1。
embeeding的损失是交叉熵。
实验结果
embeeding实验结果
在embeeding实验中，FairMOT比较了DLA-34 backbone下不同采样倍率下的anchor-base和anchor-free方法的ReID的效果，但是从这个实验本身是有问题的。
四倍的下采用样对于anchor-base的检测方法不合理，只有一个尺度的8倍下采样anchor-base的检测方法不合理，YOLOv3和JDE都使用8，16和32三个尺度的下采样倍率，单尺度和4倍的下采样是CenterNet的改进之一，DLA是否适用于anchor-base？在CenterNet前，没人用DLA作为检测的backbone；
综合上述几点，这个实验对anchor-base是不公平的。
MOT实验结果
上面这个表格比较了MOT challenge两个数据集上JDE和FairMOT的实验结果，MOTA和效率都有提高，但是需要注意的一点是，在之前MOT：通用性能评价标准提到，对于TBD策略的MOT算法，一个优秀的检测器本身就对最后效果有促进作用，所以我们可以看下CenterNet和YOLOv3的检测对比，同样是效果和效率都有提示，所以FairMOT本身就占了检测器的便宜。
总结
最后，不论如何，FairMOT最终的效果是不错的，而且提供了JDE策略在anchor-free模型上的范式，对于两个已有方法的合理组合，达到了1 1>2的效果。
