☰
首页
/
ByteTrack论文算法全景详解
目录
ByteTrack论文算法全景详解
ByteTrack 论文算法全景详解(应用场景 · 原理 · 算法 · 技术)
第一部分 论文速览
1.1 基本信息
1.2 论文的核心贡献(三件事)
1.3 核心数字
第二部分 应用场景
2.1 论文评测的四大场景
场景 A:MOT17 —— 通用行人跟踪(街道监控)
场景 B:MOT20 —— 极度拥挤的人群跟踪
场景 C:HiEve —— 复杂人群事件分析(社交计算)
场景 D:BDD100K —— 自动驾驶多类别跟踪
2.2 现实落地场景(论文展望 + 业界实践)
第三部分 技术栈全景图
3.1 推理侧完整管线
3.2 论文涉及的算法清单
第四部分 检测算法详解:YOLOX
4.1 为什么选 YOLOX
4.2 Anchor-free 检测原理
4.3 Decoupled Head(解耦头)
4.4 SimOTA 标签分配(训练期关键算法)
论文对 SimOTA 的 MOT 定制(附录 A)
4.5 Mosaic + Mixup 数据增强
4.6 多尺度训练
第五部分 核心创新:BYTE 关联算法
5.1 动机:低分框的"阈值困境"
5.2 算法伪代码(论文 Algorithm 1 逐行)
5.3 三个必须理解的设计决策
5.4 通用性:BYTE 的两种接入模式
第六部分 支撑算法详解
6.1 卡尔曼滤波(运动模型)
6.2 匈牙利算法(匹配求解)
6.3 IoU(交并比)
6.4 轨迹重生与丢失池
6.5 轨迹插值(附录 D,后处理技巧)
6.6 Re-ID 外观特征(BDD100K 场景的可选组件)
7. 评价指标体系详解
7.1 CLEAR MOT 指标
7.2 IDF1(身份保持能力)
7.3 HOTA(高阶指标,2021 年新提出)
7.4 多类别指标(BDD100K)
7.5 指标分工(读实验的钥匙)
第八部分 实验全景与数据解读
8.1 消融一:相似度选择(Table 1)
8.2 消融二:与 SORT / DeepSORT / MOTDT 对比(Table 2)
8.3 消融三:对分数阈值 τ 的鲁棒性(Figure 3)
8.4 消融四:低分框 TP/FP 统计(Figure 4)
8.5 消融五:9 种跟踪器应用(Table 3,泛化性证明)
8.6 基准测试(私有检测协议)
MOT17(Table 4,节选)
MOT20(Table 5)
HiEve(Table 6)
BDD100K(Table 7)
8.7 公开检测协议(Table 12/13,节选)
8.8 附录实验
第九部分 训练与工程实现细节
第十部分 与相关方法的本质对比
第十一部分 技术演进(论文之后)
第十二部分 一页总结