OC-SORT 详解
OC-SORT: Observation-Centric SORT 论文: Observation-Centric SORT: Rethinking SORT for Robust Multi-Object Tracking (CVPR 2023)作者: Jinkun Cao, Xinshuo Weng, Rawal Khirodkar, Kris Kitani, Jiangmiao Pang (CMU / 商汤)代码: noahcao/OC_SORT 一句话总结：OC-SORT 把 SORT 从”以估计为中心”改为”以观测为中心”–当轨迹从遮挡中恢复时，用观测历史修正卡尔曼参数（ORU）；在关联代价中加入观测方向一致性（OCM）；用最后一次观测做二次恢复匹配（OCR）。 无需外观特征，即超越 DeepSORT。 一、背景：SORT 的三个局限 OC-SORT 的出发点是分析 SORT 的三个根本局限，逐一解决。 1.1 局限一：对状态噪声敏感SORT 假设匀速运动，用卡尔曼滤波估计速度。但在高帧率视频中，连续帧间位移很小，噪声与实际位移量级相当，导...
深度学习多目标跟踪综述梳理
深度学习多目标跟踪（MOT）综述梳理 本笔记是对综述 Deep Learning-Based Multi-Object Tracking: A Comprehensive Survey from Foundations to State-of-the-Art（arXiv:2506.13457）的系统梳理。原始转换文件见 [[Clippings/2506.13457v1.md]]。 一、综述定位与贡献 主题：深度学习驱动的多目标跟踪（MOT），聚焦 2022 年以来的现代方法。 两大范式： Tracking-by-Detection（检测再关联） —— 检测与关联解耦，仍是主流。 End-to-End（端到端） —— 检测与关联联合训练，以 DETR 系（tracking-by-query）为代表。 四大贡献： 系统梳理 2022 年起的现代深度 MOT 方法； 将 tracking-by-detection 划分为 五大类别； 在多基准上跨域对比，并自建加权宏平均基准评估泛化性； 提供详尽背景知识，兼顾不同基础读者。 二、MOT 问题与基础概念2.1 任务...
SORT 详解
SORT: Simple Online and Realtime Tracking 论文: Simple Online and Realtime Tracking (ICIP 2016)作者: Alex Bewley, Zongyuan Ge, Lionel Ott, Fabio Ramos, Ben Upcroft代码: abewley/sort（~200 行 Python） 一句话总结：SORT 用”卡尔曼滤波预测 + IoU 匈牙利匹配”三步循环实现多目标跟踪，极简但奠基–后续 DeepSORT、ByteTrack、OC-SORT 全部基于此框架。 一、背景：多目标跟踪（MOT）1.1 什么是 MOT多目标跟踪（MOT）：在视频每一帧检测出所有物体后，还要保持每个物体跨帧的身份（ID）–”第 1 帧的人 A，在第 2 帧还是 A，不是 B”。 1.2 Tracking-by-Detection 范式SORT 采用 tracking-by-detection：先用检测器（YOLO/Faster R-CNN）逐帧出框，再用跟踪算法把相邻帧的框关联起来...
RT-DETR 详解
RT-DETR: Real-Time Detection Transformer 论文: DETRs Beat YOLOs on Real-time Object Detection (CVPR 2024)作者: Yian Zhao, Wenyu Lv, Shangliang Xu, et al. (Baidu / 百度)代码: PaddlePaddle/PP-DETR / lyuwenyu/RT-DETR 一句话总结：RT-DETR 是第一个实时端到端目标检测器–它用混合编码器（CNN + 稀疏 Transformer）解决 DETR 太慢的问题，用 IoU-aware 查询初始化 + CDN 训练加速收敛，全程无 NMS，在同等速度下超越 YOLOv8。 一、概述1.1 为什么要有 RT-DETRDETR（2020）开创了端到端检测（无 NMS、无 anchor、匈牙利匹配），但有两个致命问题： 太慢：Transformer 编码器处理所有特征图的所有位置，计算量巨大； 收敛慢：从头训需要 500 epoch，远多于 YOLO...
YOLOX 详解
YOLOX: Exceeding YOLO Series in 2021 论文: YOLOX: Exceeding YOLO Series in 2021 (2021)作者: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun (Megvii / 旷视)代码: Megvii/yolox 一句话总结：YOLOX = YOLOv5 结构 + FCOS 检测头 + OTA 标签分配。 它把 YOLO 系列从 anchor-based 推进到 anchor-free，引入解耦头与 SimOTA 动态标签分配，在 COCO 上以同等推理速度超越 YOLOv5。 一、概述YOLOX（2021，旷视）是 YOLO 系列的一个重要转折点。它不是堆叠 trick，而是把检测范式从 anchor-based 切换到 anchor-free，并解决了随之而来的训练稳定性问题（靠解耦头 + SimOTA）。 核心改进三点： Anchor-free：去掉所有预定义 anchor，每个网格点直接预测 1 个框（类...
VIT 详解
ViT: An Image is Worth 16x16 Words 论文: An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale (ICLR 2021)作者: Alexey Dosovitskiy, Lucas Beyer, Alexander Kolesnikov, Dirk Weissenborn, Xiaohua Zhai, Thomas Unterthiner, Mostafa Dehghani, Matthias Minderer, Georg Heigold, Sylvain Gelly, Jakob Uszkoreit, Neil Houlsby (Google Research)代码: google-research/vision_transformer 一句话总结：ViT 把一张图切成若干 patch，每个 patch 当成一个”词”，喂给标准 Transformer Encoder，用 CLS token 做分类。 它证明了 NLP 的 Transf...
Transformer： 详解
Transformer: Attention Is All You Need 论文: Attention Is All You Need (NeurIPS 2017)作者: Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, Illia Polosukhin (Google Brain)代码: tensor2tensor 官方实现 一、背景 把《Attention Is All You Need》放回 2017 年的语境，理解它当时要解决什么问题、采用了哪些关键设计，有助于更准确地把握后续架构细节。 1.1 2017 年的世界：Transformer 诞生时的 NLP 图景2017 年 6 月这篇论文出现时，NLP 学术圈与工业界的图景是这样的： 机器翻译是 NLP 的旗舰任务。Google Translate 在 2016 年 9 月把生产环境从短语统计 MT（PBMT）切到神经 MT（GNMT），翻译质量显著提升，...
FCOS 详解
FCOS: Fully Convolutional One-Stage Object Detection 论文: FCOS: Fully Convolutional One-Stage Object Detection (ICCV 2019)作者: Zhi Tian, Chunhua Shen, Hao Chen, Tong He ( Adelaide / 商汤 )代码: tianzhi0549/FCOS / AdelaiDet 一句话总结：FCOS 抛弃 anchor，把目标检测变成”逐像素预测”–特征图上每个位置直接回归到所在 GT 框四条边的距离 (l, t, r, b)。 它证明了只要配合 FPN 多级预测 + center-ness，anchor-free 检测器就能追平甚至超过 anchor-based。 一、概述：为什么要有 anchor-free主流检测器（RetinaNet / SSD / YOLOv2+ / Faster R-CNN）都依赖预设 anchor。anchor 的问题： 超参敏感...
RetinaNet 详解
RetinaNet: Focal Loss for Dense Object Detection 论文: Focal Loss for Dense Object Detection (ICCV 2017, best paper)作者: Tsung-Yi Lin, Priya Goyal, Ross Girshick, Kaiming He, Piotr Dollár (FAIR)代码: facebookresearch/Detectron 一句话总结：这篇论文找到了”一阶段检测器精度不如两阶段”的根因–类别极度不平衡导致训练被大量易分负样本主导–并用 Focal Loss 一举解决，使 RetinaNet 成为第一个精度超越两阶段的一阶段检测器。 ⚠️ 论文的主角其实是 Focal Loss，RetinaNet 网络本身只是”顺便”提出、用来验证损失函数有效性的载体–结构上并无颠覆性创新（ResNet + FPN + anchor 双头都是已有组件）。 一、背景与动机：一阶段为什么打不过两阶段？12345两阶段 (Faster R-CNN 等): RPN 筛选...
YOLO 系列总览
🎯 YOLO 系列目标检测算法总览一句话理解 YOLO You Only Look Once —— 只需看一次，就能完成目标检测。 把目标检测从”先找候选区再分类”的两阶段，变成了”一步到位”的回归问题。 版本演进时间线 版本 年份 作者/机构 核心创新 论文/状态 v1 2016 Joseph Redmon 单阶段检测、Grid Cell 划分 1506.02640 v2 2017 Redmon & Farhadi Anchor Box、BN、Darknet-19、细粒度特征 1612.08242 v3 2018 Redmon & Farhadi Darknet-53、多尺度预测(FPN)、逻辑分类器 1804.02767 v4 2020 Alexey Bochkovskiy CSPDarknet53、PAN、Mosaic增强、BoF/BoS 2004.10934 v5 2020 Ultralytics PyTorch实现、工程化、CSPNet+PAN ❌ 无论文 v6 2022 美团 工业级部署...