多目标追踪算法的全面实验评估：检测与关联组件贡献量化分析

《ARTIFICIAL INTELLIGENCE REVIEW》：Beyond the survey: a systematic empirical study of detection and association in visual MOT

　　

摘要

本文对最先进的多目标追踪算法进行了全面的实验评估和详细分析，重点量化了检测与关联组件对整体追踪性能的单独贡献。与现有主要提供追踪方法理论分类或分类学的综述不同，我们的工作基于公开可用的实现，采用严格的实验视角，为研究人员和从业者在方法选择与系统设计方面提供实用指导。我们提出了一种统一的流程图，整合了视觉多目标追踪两大主要分支——基于检测的追踪与端到端深度学习范式——的核心组件，并系统分析了对象检测、特征提取与数据关联模块。通过在MOT16、MOT17、MOT20、SportsMOT、DanceTrack和CrowdTrack等标准基准数据集上进行的广泛实证研究，我们揭示了以下关键见解：(1) 检测质量主导关联策略性能，检测器改进带来的增益超过10%，而精细化关联策略的增益不到5%；(2) 现代深度学习检测器与专用重识别模型搭配使用时，显著优于联合检测与嵌入方法；(3) 基于Transformer的端到端方法对检测质量变化表现出更强的鲁棒性，但计算成本显著增加。我们通过广泛实验得出的发现为MOT中的组件级效应提供了关键见解，特别是检测质量相对于关联的主导影响，同时为在不同性能与鲁棒性要求下设计和优化MOT系统提供了实用参考。