Joint Tracking and Segmentation of Multiple Targets

創新點：（本文方法在降低IDs數量的同時，提升了10%的召回率）

在tracking-by-detection的方法中，一個明顯的缺點是在圖檔序列中所獲得的大部分資訊通過門檻值化的微弱的檢測響應和非極大值抑制的使用被簡單的忽略了。本文提出了一個多目标跟蹤器，可以使用低層次的圖像資訊，把每個（超）像素關聯到一個特定的目标或将該（超）像素分類為背景。是以，除了典型的邊界框表示外，還獲得了視訊分割的結果。方法在擁擠環境下，有長期部件遮擋的情況下，效果優于極好的tracking-by-detection的方法。

貢獻：

①提出一種新的CRF(conditional random field)模型，該模型利用了更多的圖檔資訊，包括high-level的檢測器響應和low-level的超像素資訊。

②對未知數量的目标完全的自動分割和跟蹤。

③在控制遮擋時，在每一個time step，有一種完整的狀态表述。可以很好的控制遮擋。

我們知道，tracking-by -detection的方法已經成為解決MOT的重要方法。但是這類方法有一個缺點，就是在視訊序列中大部分獲得的資訊被簡單的通過NMS給ignored，而檢測器可能由于遮擋等原因導緻檢測失敗。是以本文提出，it is beneficial to consider all image evidence to handle tracking in crowded scenarios.旨在assign a unique target ID not only to each individual detection,but to every (super-)pixel in the entire video.這種low-level的資訊可以幫助recover trajectories of largely occluded targets。