Сопоставление детекций между кадрами: кто из объектов на новом кадре — тот же самый, что и раньше.
Ключевые тезисы
- Tracking-by-detection: детектор на каждом кадре плюс алгоритм сопоставления (SORT, ByteTrack).
- Фильтр Калмана предсказывает положение объекта, венгерский алгоритм решает задачу назначения.
- Главные метрики — MOTA и IDF1: важны не только рамки, но и стабильность идентификаторов.
Подробный разбор
2 подтем — раскройте любую, чтобы увидеть объяснение, формулы, примеры и интерактивные графики.
1Tracking-by-detection
Стандартная схема из двух блоков.
- Детектор находит объекты на кадре.
- Фильтр Калмана предсказывает, где должен быть каждый существующий трек.
- Матрица стоимости (IoU и/или похожесть внешнего вида) связывает детекции с треками.
- Венгерский алгоритм решает задачу назначения; несопоставленные детекции порождают новые треки.
ByteTrack добавил простую, но важную идею: использовать и детекции с низкой уверенностью — они часто соответствуют частично перекрытым объектам.
2Метрики трекинга
Почему одного mAP недостаточно.
| Метрика | Что измеряет |
|---|---|
| MOTA | суммарно пропуски, ложные и подмены идентификаторов |
| IDF1 | насколько стабильно сохраняется идентификатор объекта |
| HOTA | баланс качества детекции и ассоциации |
Практический смысл: система может отлично находить объекты и при этом постоянно менять им идентификаторы — для подсчёта людей или анализа маршрутов это провал.
Связанные темы
Видео и последовательности кадров
Pose and Keypoints80%
Ключевые точки и поза · Компьютерное зрениеОпределение положения суставов человека или характерных точек объекта — база для спортивной аналитики, эргономики и контроля процессов.
Object Detection80%
Детекция объектов · Компьютерное зрениеПоиск объектов на изображении с указанием класса и ограничивающей рамки.
Kalman Filter80%
Фильтр Калмана · Временные рядыРекуррентная оценка скрытого состояния системы по зашумлённым наблюдениям. Оптимален для линейных систем с гауссовым шумом.