測評專案：

MOT17第一名：A Novel Multi-Detector Fusion Framework for Multi-Object Tracking

摘要：由於僅用一個檢測子進行目標檢測往往會忽略許多有用的影象資訊，因此這篇文章致力於探究如何融合多個檢測子進行目標檢測。作者將目標跟蹤看作是“帶權圖示記問題”，也就是“二進位制規劃”問題（BQP）。這類問題一般視為NP-hard問題，常採用估計法解決。而作者將基於Frank-Wolfe演算法，提出一種新的解決方法。最終，這個跟蹤演算法可以使用來自不同幀、不同檢測子檢測得來的資訊進行全域性跟蹤。例如當融合頭部和全身檢測時，可以重現被嚴重遮擋的人，從而降低錯檢率。

總結：融合了頭部、身體兩種目標檢測演算法，比單獨目標檢測的效果更好。並將多目標跟蹤問題轉化為二次規劃問題，然後用Frank-Wolfe演算法解決。關於BQP的解決演算法優化，作者改善了以下方面：（i）完整並高效地計算最佳步長，減少了時間開銷（ii）將目標函式最小化重新生成，得到了更好的離散結果（iii）證明了作者的分層架構改進了一個可行解決方案，往往接近最優而且快速和易於整合。

MOT17第二名： A multi-cut formulation for joint segmentation and tracking of multiple objects

摘要：利用動態軌跡分段得來的low-level資訊，和多目標檢測跟蹤得來的high-level資訊，這樣聯合使用可以充分利用他們各自的優點，將問題轉化為求解最優連通域個數問題：根據low-level和high-level三種不同連線方式的邊加權求和，得到多切面聯通圖的最小損失解法。

總結：Motion segmentation allows for precise local motion cues and correspondences that support robust multi-target tracking results with high recall. Object detection and tracking allows a more reliable grouping of motion trajectories on the same physical object.

MOT17速度最快： High-Speed Tracking-by-Detection Without Using Image Information

摘要：作者認為由於目標檢測的研究近幾年發展迅猛，這使得跟蹤運算元有更可靠的檢測目標來源。因此目標跟蹤所面臨的低效率計算問題能通過將複雜的跟蹤演算法轉化為簡單的演算法來解決。在這篇文章中將介紹跟蹤演算法的主要流程，然後使用不同的檢測演算法，將得到的結果進行對比分析。

總結：這篇文章重點關注多目標跟蹤中的資料關聯步驟，並且在這步中完全拋棄使用影象資訊，只對通過目標檢測得來的資料進行IOU、置信度和時間等閾值處理（Algorithm 1中可見），以達到超高的速度。但是需要注意的是在使用不同detectors時都需要重新調整上述閾值以適應當前detectors的特性（比如EB演算法多detections，RCNN高置信度等等）。