1. 解决了什么问题？

多目标跟踪是在给定的视频片段中，预测出目标的边框和 ID 信息。现有方法需要在 true positives 和 false positives 之间做取舍，将高于一定阈值的检测框关联起来，获取其 ID。而那些低得分的目标（如被遮挡物体）会被舍弃，造成一些真实目标丢失、轨迹断断续续的问题。

如下图，在$t_1$帧初始化了三个不同的 tracklets，其得分高于$0.5$。但在$t_2$和$t_3$帧出现了遮挡，红框对应的得分就从$0.8$降到了$0.4$，然后降到了$0.1$。因为阈值是$0.5$，红框就消失了。但是，如果我们将所有的检测框都考虑进来，会出现许多的 false positives，如$t_3$帧最右边的框。

2. 提出了什么方法？

提出了一个简单、有效、通用的目标关联方法，通过关联所有的检测框来实现跟踪，而不只考虑那些高得分的框。对于低得分的检测框，计算它们和 tracklets 的相似度，恢复真实目标，滤掉背景。首先，根据运动相似度匹配高置信度的检测框，利用 Kalman filter 预测新一帧中 tracklets 的位置，运动相似度可以用预测框和检测框的 IOU 计算。然后，对未匹配的 tracklets 和低置信度的检测框进行二次匹配。

2.1 算法细节

BYTE 的输入是一个视频序列$\text{V}$，以及目标检测器$\text{Det}$和 Kalman filter $\text{KF}$。作者设置了 3 个阈值${\tau }_{high},{\tau }_{low}$和$ϵ$。${\tau }_{high},{\tau }_{low}$是检测得分阈值，$ϵ$是跟踪得分阈值。BYTE 的输出是视频的 tracks $\mathcal{T}$，每个 track 包含了每一帧中目标的 ID 和边框。

首先用$\text{Det}$对图像做推理，预测出检测框和得分。根据${\tau }_{high},{\tau }_{low}$将检测框分为${\mathcal{D}}_{high},{\mathcal{D}}_{low}$两个部分。${\mathcal{D}}_{high}$存放的是置信度高于${\tau }_{high}$的检测框，${\mathcal{D}}_{low}$存放的是置信度在${\tau }_{low}$和${\tau }_{high}$之间的检测框。然后使用$\text{KF}$预测$\mathcal{T}$中每个 track 在新一帧的位置。

第一次匹配是在高得分检测框${\mathcal{D}}_{high}$和所有的 tracks $\mathcal{T}$（包括 lost tracks ${\mathcal{T}}_{lost}$）之间进行。计算${\mathcal{D}}_{high}$检测框与$\mathcal{T}$预测框之间的 IOU，得到相似度。然后用 Hungarian 算法基于相似度得分完成匹配。如果检测框和 tracklet 框之间的 IOU 低于 $0.2$，则匹配无效。将未匹配的检测框放入${\mathcal{D}}_{remain}$，未匹配的 tracks 放入${\mathcal{T}}_{remain}$。

然后在低得分的检测框${\mathcal{D}}_{low}$和${\mathcal{T}}_{remain}$进行第二次匹配。将未匹配的 tracks 放入${\mathcal{T}}_{re-remain}$，删除${\mathcal{D}}_{low}$中未匹配的低得分检测框，当作背景。

作者发现在第二次匹配时，将 IOU 作为相似度非常管用，因为低得分检测框通常包含严重遮挡或运动模糊的情况，而外观特征不可靠。因此在二次匹配时，BYTE 没有用外观特征来计算相似度。

第二次匹配后，${\mathcal{T}}_{re-remain}$中未匹配的 tracks 会被放入${\mathcal{T}}_{lost}$，这里面的 tracks 只会保留一定的帧数，如 $30$帧，随后就会从$\mathcal{T}$中删除。否则，在$\mathcal{T}$中暂时保留${\mathcal{T}}_{lost}$。
最后，对于第一次匹配后${\mathcal{D}}_{remain}$未匹配的、高得分的检测框，创建新的 tracks。${\mathcal{D}}_{remain}$的每个检测框，如果它的检测得分高于$ϵ$，并连续两帧出现，我们就会创建一个新的 track。

每一帧的输出就是当前帧的 tracks $\mathcal{T}$的边框和 ID，不输出${\mathcal{T}}_{lost}$的边框和 ID。

2.2 ByteTrack

本文使用的目标检测器是 YOLOX，对 YOLO 系列做了改进，它采用了 anchor-free 的方式，其它改进包括 decoupled head、Mosaic 和 Mixup 数据增广策略、SimOTA 标签分配。

主干网络是 CSPNet，neck 是 PAN。主干网络后是两个 decoupled heads，一个负责回归，一个负责分类。在回归 head 又增加了一个 IoU 分支，用于预测检测框和 ground truth 框的 IOU。回归 head 直接预测特征图上每个位置的 4 个值，即网格左上角的两个偏移量，和预测框的宽高。回归损失使用了$GIoU$损失，分类和 IoU 分支则使用了二元交叉熵损失。

SimOTA 标签分配策略根据预测结果和 ground truths 之间的代价矩阵，自动选取正样本。该代价矩阵由分类损失和边框定位损失的加权和组成。然后，选择目标中心点附近的 top-k 个正样本。

MOT17 需要标注框覆盖目标整体，即便它被遮挡了，或者部分位于图像之外。但 YOLOX 的默认操作会对检测框做裁剪，保证其位于图像内。因而作者修改了 YOLOX 的数据处理和标签分配的代码，在数据预处理和增广时，不对边框做裁剪。若数据增广后，边框完全超出了图像边界，则删掉。在 SimOTA 中，正样本需要位于目标的中心附近，而包含目标整体的边框的中心点可能位于图像之外，则对目标的中心点做裁剪，保证在图像内。

MOT20 则对边框标注做了裁剪，保证在图像内，与 YOLOX 一致。

2.3 实验

数据集

在 MOT17 和 MOT20 上进行实验。使用了训练集和测试集，没有用验证集。在消融实验，使用 MOT17 训练集里视频的前半部分作为训练，后半部分验证。

度量

使用了 CLEAR 度量（包括 MOTA、FP、FN、IDs），IDF1 和 HOTA 来评价跟踪性能。考虑到 FP 和 FN 的个数要大于 IDs，MOTA 更多关注在检测性能。IDF1 评价 ID 持续能力，更多关注匹配表现。HOTA 是最近提出的，综合考虑目标检测、匹配和定位的表现。

实现细节

${\tau }_{high}$默认值为$0.6$，${\tau }_{low}$默认为$0.1$，$ϵ$为$0.7$。在线性分配步骤，如果检测框和 tracklet 框的 IOU 小于$0.2$，匹配不成立。对于 lost tracklets，将其保留$30$帧。

对于 ByteTrack，检测器 YOLOX 的主干网络为 YOLOX-X，COCO 预训练模型初始化权重。在 MOT17、CrowdHuman、CityPerson 和 ETHZ 结合的数据集上训练了 80 epochs。图像输入大小是$1440\times 800$，多尺度训练时短边长度在$576$和$1024$之间缩放。数据增广采用了 Mosaic 和 Mixup，在 8 张 Tesla V100 卡上训练，batch size 是 48。采用了 SGD，weight decay 是$5\times 10^{-4}$，momentum 是$0.9$。初始学习率是$10^{-3}$，1 个 epoch 热身，学习率采用了余弦退火。总训练时间约12小时。

3. 有什么优点？

对于遮挡的目标或者短暂消失的目标，跟踪效果有明显提升。