基本指标
- GT：Ground Truth是指真实的标签或真实的对象
- TP：真正(True Positive)是指被模型预测为正的正样本
- TN：真负(True Negative)是指被模型预测为负的负样本。
- FP：假正(False Positive)是指被模型预测为正的负样本，也称为误检。
- FN：假负(FALSE Negative)是指被模型预测为负的正样本，也称为漏检。
- Accuracy：准确度是分类正确的例子占总数的比例：
Accuracy = (TP + TN) / (TP + FN + FP + FN)
- Precision：精确度是指被分类器判定的正例中真正的正例样本的比重：
Precision = TP / （TP + FP）
- Recall：召回率是指被分类器正确判定的正例占总的正例的比重：
Recall = TP / （TP + FN
评价指标
1. MOTA（Multiple Object Tracking Accuracy）
多目标跟踪任务中最常用的一个综合评价指标。
FN为False Negative，FP为False Positve，IDSW为ID Switch,即ID切换次数，GT是Ground Truth，表示的是物体的数量。
MOTA能非常直观地衡量跟踪器在检测物体和保持轨迹时的性能，与目标检测精度无关。它的取值一般小于1，当跟踪器产生的错误超过了场景中的物体时，MOTA就会变为负数
2. MOTP（Multiple Object Tracking Precision)
衡量跟踪的位置误差，其中t表示第t帧， c_t表示第t帧中预测轨迹和GT轨迹成功匹配上的数目， d_ti表示t帧中第i个匹配对的距离。
如果是通过IOU度量，那么MOTP是越大越好，但如果使用欧氏距离进行度量，那么MOTP就越小越好.
MOTP这个指标相比于评估跟踪效果，更注重检测质量。
3. IDF1（ID F1 Score）
是评估多目标跟踪算法在跟踪对象身份方面的准确性的指标。它综合考虑了检测和关联的准确性，以衡量正确关联目标所产生的F1分数。
IDP其实就是ID+Precision，这里的IDP其实就是把每个ID当作单独的一类去计算Precision，同理，IDR则对应ID+Recall，IDF1则对应ID+F1 score
4. FN（False Negatives）
漏检数，即未被跟踪算法检测到的真实目标数量。FN越低，说明漏检率越低。
5. FP（False Positives）
假阳性数，即被跟踪算法错误地分配给不存在的目标的数量。FP越低，说明假阳性率越低。
6. MT（Mostly Tracked）
成功跟踪的帧数占总帧数的80%以上的GT轨迹数量
7. ML（Mostly Lost）
成功跟踪的帧数占总帧数的20%以下的GT轨迹数量
8. Fragments
碎片轨迹的数量
相关数据集
MOTChallenge，MOT15/16/17/20等， 2D MOT
自动驾驶数据集，包括 KITTI，nuScenes，Waymo Open Dataset
前沿论文网站
nuScenes tracking task
kitti tracking
paperwithcode： 3D Multi-Object Tracking
paper
多目标跟踪-PaperReding_you only need two detectors to achieve multi-modal-CSDN博客
视觉雷达融合的多目标跟踪论文汇总_strongfusionmot: a multi-object tracking method ba-CSDN博客
多目标跟踪MOT技术总结（持续更新）_目标跟踪mota对比-CSDN博客
)
