The VisDrone2019 挑战赛
如今，配备摄像头的无人机或通用无人机已经广泛地应用在农业、航空摄影、快速交付、监视等多个领域。
挑战赛官网地址：http://aiskyeye.com/
VisDrone2019 数据集由天津大学机器学习与数据挖掘实验室 AISKYEYE 队伍负责收集，全部基准数据集由无人机捕获，包括 288 个视频片段，总共包括 261908 帧和 10209 个静态图像。
这些帧由 260 多万个常用目标（如行人、汽车、自行车和三轮车）的手动标注框组成。为了让参赛队伍能够更有效地利用数据，数据集还提供了场景可见性、对象类别和遮挡等重要属性。
本届挑战赛包含四个任务：
- 任务 1：图像中的目标检测。任务旨在从无人机拍摄的单个图像中检测预定义类别的对象（例如，汽车和行人）；
- 任务 2：视频中的目标检测。该任务与任务 1 相似，不同之处在于需要从视频中检测对象；
- 任务 3：单目标跟踪挑战。任务旨在估计后续视频帧中第一个帧中指示的目标状态；
- 任务 4：多目标跟踪挑战。该任务旨在恢复每个视频帧中对象的轨迹。
数据集下载链接：https://github.com/VisDrone/VisDrone-Dataset
这次比赛的难点主要有：
1. 大量的检测物体
与常规检测数据集不同的是，每张图片包含上百个待检测物体，数据集总共含有 260 万个标注框，如果使用占用显存较大的模型，可能会出现资源不够的情况。同时面对一些重叠的结果时，我们需要选择合适的阈值去过滤出最好的结果。
2. 部分目标过小
因为数据集是由无人机拍摄而来，行人和远景的物体的标注框就非常小，这对模型产生 anchor 的能力形成了一定的挑战，高分辨率的空间信息和高质量的 proposal 在本次赛题中就显得尤为重要。
3. 不同的数据分布
常用的数据集如：COCO 数据集、OBJ365 都是广泛应用的数据集，所以大家经常用它们的预训练来 fine-tune 其他数据集。而这一次的数据集由于拍摄角度问题，预训练所带来的效果不如预期。
评测指标
为了进行综合评估并反映每个对象类别的性能，本次测评采用类似于 MS COCO 数据集的评估方案，使用 AP, APIOU=0.50, APIOU=0.75, ARmax=1, ARmax=10, ARmax=100, 和 ARmax=500，且这些指标是基于 10 个对象类别计算出来的。
最终，来自电子科技大学的李宏亮团队获得了 Task1「图像中的目标检测」的冠军；中科院信息工程研究所的葛仕明团队获得了 Task3「单目标跟踪挑战」的冠军；来自深兰科技北京 AI 研发中心的 DeepBlueAI 团队获得了 Task2「视频目标检测」和 Task4「多目标追踪」两项冠军。以下是 DeepBlueAI 团队分享的解决方案
任务 2：视频中的目标检测
检测器：Cascade RCNN + DCN + FPN + DH
团队基于现有数据集，并结合以往检测经验，打造了一个强大的目标检测器。1. Cascade RCNN
用低 IoU 阈值进⾏训练会导致效果不好，因为会产⽣很多噪声框；所以我们希望阈值尽量⾼，但 IoU 阀值设过⾼时，训练出的 detector 效果却会呈现下降趋势。Cascade RCNN 将多个阈值越来越⾼的 detector 串联，得到了更好的效果。
⾸先，在每次 detector 计算后，IoU⾼的 bbox 的分布都会提升，使得下⼀阶段更⾼阈值下正样本的数量得到保证；其次，每经过⼀次 detector 计算，bbox 都会变得更准确，更⾼的阈值可保证下⼀次回归效果更好。
2. DCN(Deformable Convolution Network)
deformable convolution network 提出了「deformable convolution」和「deformable RoI pooling」两种网络结构单元，deformable convolution 和 deformable RoI pooling 都是基于通过学习一个额外的偏移（offset），使卷积核对输入 feature map 的采样产生偏移，集中于感兴趣的目标区域, 从而产生更好的感受野。
3. Double Heads
通过对比实验可发现：用 fc-head 去做分类，同时用 conv-head 去做回归，可以实现最好的效果。因为分类更多的需要语义信息，而回归坐标框需要更多的空间信息，这种方法采用「分而治之」的思想，针对不同的需求设计 head 结构，当然这种方法增加了计算量，在平衡速度和准确率的情况下，最后选择了 3 残差、2non-local，共 5 个模块。
实验细节：
1. 我们将 Faster rcnn + DCN + FPN 作为我们的 baseline，因为这两个模块总是能在不同的数据集上起到效果。2. 将原有 head 改为 Double head3. 采用级联检测 (Cascade rcnn)4. 将 ResNeXt101 作为 backbone5. 使用 cascade rcnn COCO-Pretrained weight6. 多尺度训练+Testing tricks
实验结果 (验证集)
任务 4 : 多目标跟踪
跟踪算法：IOU tracker + KCF + tracklet vote
根据赛题描述与数据集分析结果，我们可以知道，如果图中有大量目标且大部分都为小目标，在这种情况下仍然使用 reid 相关跟踪算法的话，不仅最终效果不理想，而且也会在匹配排序的过程中耗费大量的资源，所以我们最终决定使用 iou-tracker。
原因：
- 使用不需要图片信息，仅根据检测结果的相邻帧的 iou 进行计算；
- iou-tracker 对检测结果有着较高的要求，我们对自己的检测结果有信心；
- 运行速度极快，不涉及到神经网络，节省时间和 GPU 资源。
MOT Pipeline:
难点：使用 iou tracker 之后，还是会不可避免地遇到断帧 (一条轨迹无法全部预测，被预测为多个子段) 的问题，这样会大大降低最后的得分，所以我们使用 KCF 对现有结果进行一个更新。
KCF 的原理极为复杂，但 KCF 作用就是根据现有结果使用传统算法，去预测之后几帧的结果，这相当于对一些丢失的信息进行补充的操作。
得到新的轨迹之后再使用 IOU 相关投票融合方法，将更新后的结果融合，融合过程如图所示：
KCF 更新轨迹之后，正常情况下轨迹之间就会有相互重叠的地方，我们使用一个基于 IOU 的投票方法，如果轨迹之间重叠部分的投票结果大于某个阈值，就将这两个轨迹进行融合。
实验细节：
1. 我们将任务二中的检测结果当做输入，先使用 GOG 方法作为我们的 baseline2. 将方法改为 IOU tracker3. 调整阈值，以及一些测试技巧4.+KCF +tracklet voting5. 得到更好的检测结果
实验结果 (验证集)
下一步工作
在检测方面，在网络结构上有一些其他可以使用的模块，例如「PAFPN--FPN 的改进版」，可以在特征提取之后更好地处理各层级之间的信息；以及「GCnet」，一种结合了两个不错的 attention 机制所得到的网络，等等。
由于时间的限制，在更新原有跟踪结果的时候，我们使用的是比较传统的 KCF 算法，这类算法比较节省时间，但同时也有很大的局限性。如果有机会，以后想尝试一些更好的、基于神经网络的方法进行更新。
