TETA：大规模多类别多对象跟踪的新型评估与方法

"大规模多类别多对象跟踪及其评估方法 TETA: 一个新的研究探索" 本文主要探讨了在大规模多类别多对象跟踪（MOT）领域存在的问题及其解决方案。当前的MOT度量标准通常依赖于类别标签来评估跟踪结果，但这在面对包含大量罕见或语义相似类别的大规模数据集时，可能导致跟踪性能的不准确评估，因为它们假设分类性能接近完美。然而，实际情况并非如此，不准确的分类会直接影响跟踪器的性能。 为了解决这个问题，作者提出了一个新的度量标准——跟踪每一件事的准确性（TETA）。TETA将跟踪性能拆分为三个子因素：定位、关联和分类，使得对跟踪器的评估更为全面。同时，TETA还能处理大规模跟踪数据集中的不完整注释问题，提高了基准测试的合理性。 此外，作者还提出了一种名为TETER（Tracking Everything with Each Other, 跟踪每一件事的跟踪器）的新跟踪器，它利用类样本匹配（Class Ensemble Matching, CEM）技术进行对象关联。实验结果显示，TETER在具有挑战性的大规模数据集如BDD100K和TAO上，相对于现有最先进的技术取得了显著的性能提升。 关键词涉及到大规模长尾MOT（Long-tailed Multi-object Tracking）、对比学习以及MOT度量，这表明本文关注的重点是处理大规模数据集中类别不平衡和跟踪性能的全面评估。长尾分布意味着数据集中少数类别占据大部分实例，而多数类别只占一小部分，这在真实世界场景中非常常见。对比学习则可能用于优化分类和跟踪过程，帮助跟踪器更好地区分不同类别的对象。 这篇论文提出了一种新的评估框架TETA和跟踪方法TETER，它们旨在更精确地评估和解决大规模多类别多对象跟踪中的分类与跟踪问题，特别是在存在类别不平衡和注释不完整的情况下。这一研究对于推动MOT领域的进步具有重要意义，有助于开发出更加适应复杂环境的跟踪系统。