MOT：Metrics HOTA

末蓝、 2022-08-30 11:18 310阅读 0赞

## 简介 ##

[HOTA: A Higher Order Metric for Evaluating Multi-object Tracking][HOTA_ A Higher Order Metric for Evaluating Multi-object Tracking]是IJCV 2020的paper，在此之前以MOTChallenge为主的多目标跟踪benchmark一直采用以[MOTA][]为排名的评价标准，虽然MOTChallenge的metrics中也有IDF1，但是排名还是以MOTA为准。  
但是MOTA有些情况下不足以衡量出多目标跟踪的性能，甚至都不如IDF1，所以这篇文章重新考量了多目标跟踪任务，并提出一种Higher Order Tracking Accuracy 的Metric。**HOTA可以更好的对齐评价得分与人的视觉上的观感。**  
MOTA为主的评价在2006年就被提出，并经过MOTChallenge的加持，仍是目前主流的多目标跟踪评价标准，而HOTA刚刚提出不久，目前只有KITTI MOT在使用。即便后续真的替换了MOTA，也将需要很久。

## MOTA的问题 ##

### 检测的比重大于跟踪 ###

MOTA的评价过分强调检测的效果，根据MOTA的计算方式，一种极端情况是，检测的性能非常优秀，但是所有检测到的目标不做跟踪，而是全部分配一个相同的track id，此时的MOTA会非常高，因为IDsw=0。  
但是很显然，这个极端情况的跟踪表现为0。  
 MOTA = 1 − ∣ FN ∣ + ∣ FP ∣ + ∣ IDSW ∣ ∣ gtDet ∣ \\begin\{aligned\} \\text \{MOTA\} = 1 - \\frac\{|\\text \{FN\}| + |\\text \{FP\}| + |\\text \{IDSW\}|\}\{|\\text \{gtDet\}|\} \\end\{aligned\} MOTA=1−∣gtDet∣∣FN∣\+∣FP∣\+∣IDSW∣  
 MOTP = 1 ∣ TP ∣ ∑ TP S \\begin\{aligned\} \\text \{MOTP\} = \\frac\{1\}\{|\\text \{TP\}|\}\\sum \_\{\\text \{TP\}\}\{ \\mathcal \{S\}\} \\end\{aligned\} MOTP=∣TP∣1TP∑S  
MOTP更是如此，在根源是就没有跟踪什么事，而是只评价检测结果。  
虽然IDF1可以评价跟踪的效果，但是排名是靠着MOTA的。  
 ID-Recall = ∣ IDTP ∣ ∣ IDTP ∣ + ∣ IDFN ∣ \\begin\{aligned\}&\\text \{ID-Recall\} = \\frac\{|\\text \{IDTP\}|\}\{|\\text \{IDTP\}| + |\\text \{IDFN\}|\} \\end\{aligned\} ID-Recall=∣IDTP∣\+∣IDFN∣∣IDTP∣  
 ID-Precision = ∣ IDTP ∣ ∣ IDTP ∣ + ∣ IDFP ∣ \\begin\{aligned\}&\\text \{ID-Precision\} = \\frac\{|\\text \{IDTP\}|\}\{|\\text \{IDTP\}| + |\\text \{IDFP\}|\} \\end\{aligned\} ID-Precision=∣IDTP∣\+∣IDFP∣∣IDTP∣  
 IDF1 = ∣ IDTP ∣ ∣ IDTP ∣ + 0.5   ∣ IDFN ∣ + 0.5   ∣ IDFP ∣ \\begin\{aligned\}&\\text \{IDF1\} = \\frac\{|\\text \{IDTP\}|\}\{|\\text \{IDTP\}| + 0.5 \\, |\\text \{IDFN\}| + 0.5 \\, |\\text \{IDFP\}|\} \\end\{aligned\} IDF1=∣IDTP∣\+0.5∣IDFN∣\+0.5∣IDFP∣∣IDTP∣  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NoYWlwcDA2MDc_size_16_color_FFFFFF_t_70_pic_center]  
如上图，gt的长度为100，跟踪表现C把gt分为了4段，这个表现其实是比较差的了，但是MOTA高达97%。

### Precision的比重大于Recall ###

定义没有IDsw的MOTA为MODA，也就是多目标检测的准确率（Multi Object Detection Accuracy），其公式如下：  
 MODA = 1 − ∣ FN ∣ + ∣ FP ∣ ∣ gtDet ∣ = ∣ TP ∣ − ∣ FP ∣ ∣ TP ∣ + ∣ FN ∣ = DetRe ⋅ ( 2 − 1 DetPr ) \\begin\{aligned\} \\begin\{aligned\} \\text \{MODA\}&= 1 - \\frac\{|\\text \{FN\}| + |\\text \{FP\}|\}\{|\\text \{gtDet\}|\}&\\\\&= \\frac\{|\\text \{TP\}| - |\\text \{FP\}|\}\{|\\text \{TP\}| + |\\text \{FN\}|\}&\\\\&= \\text \{DetRe\} \\cdot (2 - \\frac\{1\}\{\\text \{DetPr\}\})&\\end\{aligned\} \\end\{aligned\} MODA=1−∣gtDet∣∣FN∣\+∣FP∣=∣TP∣\+∣FN∣∣TP∣−∣FP∣=DetRe⋅(2−DetPr1)  
可以发现，如果检测的Precision小于等于0.5的话，MODA就会为0，甚至出现负值，而检测的Recall小于等于0.5却不会造成这样的影响。

## HOTA Evaluation Metric ##

HOTA

*  单一指标评价
 *  评估长期高阶跟踪关联
 *  分解为子指标，允许分析跟踪器性能的不同组成部分。

HOTA α = ∑ c ∈ \{ TP \} A ( c ) ∣ TP ∣ + ∣ FN ∣ + ∣ FP ∣ \\begin\{aligned\}&\\text \{HOTA\}\_\{\\alpha \} = \\sqrt\{\\frac\{\\sum \_\{c \\in \\\{\\text \{TP\}\\\}\} \\mathcal \{A\}(c) \}\{|\\text \{TP\}| + |\\text \{FN\}| + |\\text \{FP\}|\}\}&\\end\{aligned\} HOTAα=∣TP∣\+∣FN∣\+∣FP∣∑c∈\{ TP\}A(c)  
 A ( c ) = ∣ TPA ( c ) ∣ ∣ TPA ( c ) ∣ + ∣ FNA ( c ) ∣ + ∣ FPA ( c ) ∣ \\begin\{aligned\}&\\mathcal \{A\}(c) = \\frac\{|\\text \{TPA\}(c)|\}\{|\\text \{TPA\}(c)| + |\\text \{FNA\}(c)| + |\\text \{FPA\}(c)|\}&\\end\{aligned\} A(c)=∣TPA(c)∣\+∣FNA(c)∣\+∣FPA(c)∣∣TPA(c)∣  
HOTA评价是个双重杰卡德系数，也就是取了两遍交并比，首先是 A ( c ) \\mathcal \{A\}(c) A(c)为当前的interest-c对应的GT tracklet，计算得到的True Positive Associations，False Positive Associations与False Negative Associations，这是第一层杰卡德系数，需要注意的是interest-c不值一个，所有需要SUM。如下图所示。  
第二层杰卡德系数为SUM后的 A ( c ) \\mathcal \{A\}(c) A(c)比上检测得到的TP，FN，FP。

![在这里插入图片描述][fe5808fb551d1ead4e5c8ff7f5a8b04d.png_pic_center]  
最后， α \\alpha α是一个固定的阈值，所以 HOTA α \\text \{HOTA\}\_\{\\alpha \} HOTAα是一个固定阈值下的结果，而HOTA是：  
 HOTA = ∫ 0 1 HOTA α    d α ≈ 1 19 ∑ α ∈ \{ 0.05 ,    0.1 ,    . . . 0.9 ,    0.95 \} HOTA α \\begin\{aligned\} \\text \{HOTA\} = \\int \_\{0\}^\{1\}\{ \\text \{HOTA\}\_\\alpha \\; d\\alpha \} \\approx \\frac\{1\}\{19\} \\sum \_\{\\alpha \\in \\\{ \\begin\{array\}\{c\} 0.05, \\; 0.1, \\; ... \\\\ 0.9, \\; 0.95 \\end\{array\} \\\} \} \\text \{HOTA\}\_\\alpha \\end\{aligned\} HOTA=∫01HOTAαdα≈191α∈\{ 0.05,0.1,...0.9,0.95\}∑HOTAα  
就是类似于coco的AP计算。

## HOTA分解为sub-metric ##

![在这里插入图片描述][936b240fc712fb6d3e2d5e5940acbef9.png_pic_center]

### HOTA分解为detection和association ###

DetA α = ∣ TP ∣ ∣ TP ∣ + ∣ FN ∣ + ∣ FP ∣ \\begin\{aligned\}&\\text \{DetA\}\_\\alpha = \\frac\{|\\text \{TP\}|\}\{|\\text \{TP\}| + |\\text \{FN\}| + |\\text \{FP\}|\}&\\end\{aligned\} DetAα=∣TP∣\+∣FN∣\+∣FP∣∣TP∣  
 AssA α = 1 ∣ TP ∣ ∑ c ∈ \{ TP \} A ( c ) \\begin\{aligned\}&\\text \{AssA\}\_\\alpha = \\frac\{1\}\{|\\text \{TP\}|\} \\sum \_\{c \\in \\\{\\text \{TP\}\\\}\} \\mathcal \{A\}(c)&\\end\{aligned\} AssAα=∣TP∣1c∈\{ TP\}∑A(c)  
 A ( c ) = ∣ TPA ( c ) ∣ ∣ TPA ( c ) ∣ + ∣ FNA ( c ) ∣ + ∣ FPA ( c ) ∣ \\begin\{aligned\}&\\mathcal \{A\}(c) = \\frac\{|\\text \{TPA\}(c)|\}\{|\\text \{TPA\}(c)| + |\\text \{FNA\}(c)| + |\\text \{FPA\}(c)|\}&\\end\{aligned\} A(c)=∣TPA(c)∣\+∣FNA(c)∣\+∣FPA(c)∣∣TPA(c)∣

### detection分解为precision和recall ###

DetRe α = ∣ TP ∣ ∣ TP ∣ + ∣ FN ∣ \\begin\{aligned\} \\text \{DetRe\}\_\\alpha&= \\frac\{|\\text \{TP\}|\}\{|\\text \{TP\}| + |\\text \{FN\}| \} \\end\{aligned\} DetReα=∣TP∣\+∣FN∣∣TP∣  
 DetPr α = ∣ TP ∣ ∣ TP ∣ + ∣ FP ∣ \\begin\{aligned\} \\text \{DetPr\}\_\\alpha&= \\frac\{|\\text \{TP\}|\}\{|\\text \{TP\}| + |\\text \{FP\}| \} \\end\{aligned\} DetPrα=∣TP∣\+∣FP∣∣TP∣  
 DetA α = DetRe α ⋅ DetPr α DetRe α + DetPr α − DetRe α . DetPr α \\begin\{aligned\} \\text \{DetA\}\_\\alpha&= \\frac\{\\text \{DetRe\}\_\\alpha \\cdot \\text \{DetPr\}\_\\alpha \}\{\\text \{DetRe\}\_\\alpha + \\text \{DetPr\}\_\\alpha - \\text \{DetRe\}\_\\alpha .\\text \{DetPr\}\_\\alpha \} \\end\{aligned\} DetAα=DetReα\+DetPrα−DetReα.DetPrαDetReα⋅DetPrα

### association分解为precision和recall ###

AssRe α = 1 ∣ TP ∣    ∑ c ∈ \{ TP \} ∣ TPA ( c ) ∣ ∣ TPA ( c ) ∣ + ∣ FNA ( c ) ∣ \\begin\{aligned\} \\text \{AssRe\}\_\\alpha&= \\frac\{1\}\{|\\text \{TP\}|\} \\; \\sum \_\{c \\in \\\{\\text \{TP\}\\\}\} \\frac\{|\\text \{TPA\}(c)|\}\{|\\text \{TPA\}(c)| + |\\text \{FNA\}(c)|\} \\end\{aligned\} AssReα=∣TP∣1c∈\{ TP\}∑∣TPA(c)∣\+∣FNA(c)∣∣TPA(c)∣  
 AssPr α = 1 ∣ TP ∣    ∑ c ∈ \{ TP \} ∣ TPA ( c ) ∣ ∣ TPA ( c ) ∣ + ∣ FPA ( c ) ∣ \\begin\{aligned\} \\text \{AssPr\}\_\\alpha&= \\frac\{1\}\{|\\text \{TP\}|\} \\; \\sum \_\{c \\in \\\{\\text \{TP\}\\\}\} \\frac\{|\\text \{TPA\}(c)|\}\{|\\text \{TPA\}(c)| + |\\text \{FPA\}(c)|\} \\end\{aligned\} AssPrα=∣TP∣1c∈\{ TP\}∑∣TPA(c)∣\+∣FPA(c)∣∣TPA(c)∣  
 AssA α = AssRe α ⋅ AssPr α AssRe α + AssPr α − AssRe α ⋅ AssPr α \\begin\{aligned\} \\text \{AssA\}\_\\alpha&= \\frac\{\\text \{AssRe\}\_\\alpha \\cdot \\text \{AssPr\}\_\\alpha \}\{\\text \{AssRe\}\_\\alpha + \\text \{AssPr\}\_\\alpha - \\text \{AssRe\}\_\\alpha \\cdot \\text \{AssPr\}\_\\alpha \} \\end\{aligned\} AssAα=AssReα\+AssPrα−AssReα⋅AssPrαAssReα⋅AssPrα

## Reference： ##

*  [py-motmetrics][]
 *  [TrackEval][]

[HOTA_ A Higher Order Metric for Evaluating Multi-object Tracking]: https://link.springer.com/article/10.1007/s11263-020-01375-2#Fig14
[MOTA]: https://zhangxu.blog.csdn.net/article/details/106289610
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NoYWlwcDA2MDc_size_16_color_FFFFFF_t_70_pic_center]: /images/20220829/184ebeb37ee04ea580cc925e3a582cf2.png
[fe5808fb551d1ead4e5c8ff7f5a8b04d.png_pic_center]: /images/20220829/b20df49f0203468482a5cb7d073ab087.png
[936b240fc712fb6d3e2d5e5940acbef9.png_pic_center]: /images/20220829/e3576e9768d34f0db3b4fab077b33c07.png
[py-motmetrics]: https://github.com/cheind/py-motmetrics
[TrackEval]: https://github.com/JonathonLuiten/TrackEval