3D Multi-Object Tracking: A Baseline and New Evaluation Metrics
贡献
第一个依靠点云数据的MOT
一个新的3D MOT评价工具
SOTA,fastest
方法
![System Pipeline](image-20221225104657484.png)
3D Object Detection
对于KITTI和nuScenes数据集分别有不同的方法
kitti
[6] PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud
[33] Monocular 3D Object Detection with PseudoLiDAR Point Cloud
nuScenes
Class-Balanced Grouping and Sampling for Point Cloud 3D Object Detection
结果:在第t帧,三维检测模块的输出为一组检测Dt = { D1t,D2t,· · ·,Dntt } ( nt为检测次数)。每个检测Dj t,其中j∈{ 1,2,· · ·,nt },表示为一个元组( x , y , z , θ , l , w , h , s),包括物体中心在三维空间的位置( x , y , z)、物体的三维尺寸( l , w , h)、航向角θ和置信度s
准确率与召回率
混淆矩阵
True Positive(真正,TP):将正类预测为正类数
True Negative(真负,TN):将负类预测为负类数
False Positive(假正,FP):将负类预测为正类数误报 (Type I error)
False Negative(假负,FN):将正类预测为负类数→漏报 (Type II error)
Positive | Negative | |
---|---|---|
True | TP | TN |
False | FP | FN |
准确率(Accuracy)
$$
ACC = \frac{TP+TN}{TP+TN+FP+FN}
$$
准确率是我们最常见的评价指标,而且很容易理解,就是被分对的样本数除以所有的样本数,通常来说,正确率越高,分类器越好。
但是对于地震的效果不好。
召回率(Recall)
$$
Recall = \frac{TP}{TP+FN}
$$
召回率是覆盖面的度量,度量有多个实际的正例被分为正例,衡量了分类器对正例的识别能力。