Delving into the Trajectory Long-tail Distribution for Muti-object Tracking

多目标跟踪（MOT）是计算机视觉领域中至关重要的一个领域，具有广泛的实际应用。当前的研究主要集中在跟踪算法的开发和后处理技术的改进上。然而，关于跟踪数据本身的性质，缺乏深入的研究。在本研究中，我们首次探索了跟踪数据的分布模式，并发现现有的MOT数据集存在明显的长尾分布问题。我们注意到不同行人轨迹长度分布的显著不平衡，这种现象被我们称为“行人轨迹长尾分布”。为了解决这个问题，我们提出了一种量身定制的策略，旨在缓解这种偏斜分布的影响。具体而言，我们提出了两种数据增强策略，包括静态相机视角数据增强（SVA）和动态相机视角数据增强（DVA），以及针对重新识别的组软最大值（GS）模块。SVA是为了回溯和预测尾部类别的行人轨迹，而DVA则是利用扩散模型改变场景的背景。GS将行人分成不相关的组，并对每个组单独执行softmax操作。我们提出的策略可以整合到许多现有的跟踪系统中，并进行了广泛的实验证明了我们的方法在减少长尾分布对多目标跟踪性能的影响方面的有效性。代码可在https://github.com/chen-si-jia/Trajectory-Long-tail-Distribution-for-MOT上获得。

解决问题：论文旨在解决多目标跟踪中存在的长尾分布问题，即在不同行人之间存在轨迹长度分布的不平衡现象。

关键思路：论文提出了两种数据增强策略，即静态摄像机视图数据增强（SVA）和动态摄像机视图数据增强（DVA），以及针对Re-ID的Group Softmax（GS）模块，用于减轻长尾分布对多目标跟踪性能的影响。

其他亮点：论文通过广泛实验验证了所提出方法的有效性，并公开了代码。值得继续深入研究的工作包括如何进一步优化数据增强策略以及如何将该方法应用于更广泛的跟踪系统中。

相关研究：最近的相关研究包括“Learning to Track at 100 FPS with Deep Regression Networks”和“TrackR-CNN: Multi-Object Tracking with Track Proposal Generation and Online Detection”。