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
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。
