前言

本文目的在于搜集并整理自动驾驶领域MOT相关工作即相近领域的工作，用于拓展思路，充分理解自动驾驶领域多目标跟踪问题。

日志：
1.16：监控视角车辆跟踪工作粗读3篇

监控视角

A Strong Baseline for Vehicle Re-Identification

【论文】A Strong Baseline for Vehicle Re-Identification
【代码】https://github.com/cybercore-co-ltd/track2_aicity_2021
在这里插入图片描述
创新点： 提出了一种监控视角下的车辆REID网络，从数据、网络结构、损失函数三个层面对ReID网络进行设计。
为什么： 监控视角下，ReID网络在面对视角变换、部分遮挡、图像模糊和光线变化等情况时表现不够理想。数据方面，生成数据和真实数据之间的样本空间存在gap，现有方法不能很好地将二者的域融合，会导致训练的网络特征空间飘逸；结构方面，大部分REID仅仅使用pooling层进行多尺度信息融合，在推理阶段表现不好；损失函数方面，ReID网络大多使用triplet loss，但是这种损失对正负样本的利用率很低；
怎么做： 数据方面，提出一种正则化方法MixStyle，以消除生成数据和真实数据的gap；结构方面，利用多头attention机制学习更精细的特征；损失函数方面，将Triplet Loss换成了Supervised Contrastive Loss，提高训练效率；

VREID

【论文】Adversarially-trained Hierarchical Feature Extractor for Vehicle Re-identification
【代码】https://github.com/PS06/VReID
在这里插入图片描述
创新点： 提出了一种车辆REID网络，VReID，通过设计网络结构、推理逻辑和数据增强，能够输出更高质量的embedding
为什么： 首先，行人REID和车辆REID存在一定区别：行人之间的颜色着装等区别很大，很容易产生以区分的特征，而车辆相对来说比较相近，不易进行类内、类间区分训练；其次，环境变化和相机放缩会导致类内、类间匹配出错。
怎么做： 数据方面，通过生成对抗结构产生hard negative sample，以便网络更高效训练；网络方面，使用CNN提取网络+Attention提取不同尺度信息；推理结构设计上，不同于其他工作只用一个embeddings vector进行距离计算，VReID显式地将不同属性区分开，如颜色、形状、品牌等，更好地进行距离计算区分；

LMT-CH

【论文】A

创新点： 针对监控视角车辆“近大远小”的特性，基于色彩直方图和大幅度运动趋势的融合算法，提出一种车辆跟踪算法，LMT-CH
为什么： 在监控视角下，车辆和相机的距离很远，而且尺寸变化会非常大，导致目标车辆的特征信息损失严重。
怎么做： 通过颜色直方图和大幅度运动模型进行轨迹匹配，一定程度上环节上述问题。