随着最近Waymo Open Dataset Challenges 2020 的落幕，其中关于2D/3D目标检测和跟踪赛道的部分冠亚军解决方案也都公布了，由于我只看到了地平线发布的论文，所以就只分析他们公司在这次比赛中的解决方案。

PS:地平线在Waymo2020中获得了3D检测、2D/3D跟踪和域自适应性赛道冠军，2D检测赛道亚军。

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。如果真的要总结的话那就太多了，所以我准备分类别进行介绍，这次是这一系列最后一篇。我主要介绍基于行人重识别(ReID)算法的方法，相关MOT的基础知识可以去我的专栏查看。

随着这两年GNN的发展，其对于关系的建模特性也被引入了多目标跟踪领域，这次我通过对这两年基于GNN的MOT算法的介绍来分析其特点。相关MOT和数据关联的基础知识可以去我的专栏查看。

最近MOT相关的论文出来得很多，4.17又出来了三篇，各有各的特点吧，其中最后一篇我觉得很有意思，我这里一起介绍一些各自的创新之处。

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。如果真的要总结的话那就太多了，所以我准备分类别进行介绍，这次我主要介绍端到端的数据关联方法。其中ICCV2019Tracktor++的作者团队在CVPR2020上被录用的DeepMOT和MPN Tracker两篇就是专门研究端到端数据关联算法的，这次我们结合近两年的顶会文章进行讲解。后续的部分也会继续在我的专栏更新~

之前的博客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测输入的质量。随之又介绍了端到端的数据关联类算法，这类算法的优势在于可以利用MOT数据信息缓解人工提取特征和计算特征距离的弊端。这次我们要介绍的是基于单目标跟踪（SOT）算法的MOT算法，这类算法的优缺点可以看我下面的介绍。

今天经群友提醒，发现漏掉了一篇CVPR2020的MOT论文，同样是基于检测和跟踪一体的框架，只不过它是以车辆跟踪为背景而写的。这里我们也凑个整，Tracktor++（就叫它FrcnnTrack吧，哈哈）、CenterTrack、FairMOT、JDE(YoloTrack。。。) ，以及这次的RetinaTrack开始神仙打架。不过也为MOT领域担忧，在public赛道上基于检测的跟踪框架把baseline刷得太高了，有点不利于后续发展呀。

今天又开源了一篇MOT的新SOTA，也是实时的，也是CenterNet为底层的，估计是看到CenterTrack开源了。emmm….看来我近期看的几篇都在今年某顶会扎堆了，噗。这里我还是把这篇文章给介绍一下吧，有意思的是其中的大部分论点我都在之前的博客([2]、[3])说过了。

前段时间我在专栏里详细分析了目标检测中的特征冲突与不对齐问题，今天无意间又看到了商汤在CVPR2020的一篇相关论文，分析角度跟我之前所说的类似，但是解决方案增加了一些技巧，论文中提到其对于各类backbone都有~3%mAP的提升，该算法也用到了OpenImage比赛中，是对Decoupling Head框架的详细分析。这里我们一起来分析下论文内容。

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踪算法变种，基本都位列MOT Challeng榜单前列，包括刚刚开源的榜首CenterTrack。这里我就对集成检测和跟踪的框架进行分析，相关MOT和数据关联的基础知识可以去我的专栏查看，后期我也会针对基于深度学习的数据关联、ReID2MOT和SOT2MOT等进行专题介绍。