超参数优化让多目标跟踪HOTA最高暴涨16.05点！
Revisiting Multi-Object Tracking Baselines: Hyperparameter Optimization with Multi-Fidelity Greedy Coordinate Search
📖 AI 总结
本文针对多目标跟踪（MOT）领域长期依赖人工调参、超参数选择过程缺乏系统评估与记录的问题，系统性地将超参数优化（HPO）引入基于检测的跟踪范式。作者在两个数据集和四种跟踪方法上开展实验，并提出多保真度贪心坐标搜索（MFGCS）：每次只优化一个超参数，先在小规模场景子集上评估候选值，仅对表现有潜力的候选值在完整数据集上复评，以降低计算开销。结果显示，在全部八种跟踪器与数据集的组合中，树结构Parzen估计器（TPE）和MFGCS均优于人工调参配置及原论文已发表结果，HOTA指标最高分别提升4.38和16.05个点；MFGCS在其中七种组合中比TPE更快达到预设HOTA目标。研究还统一了各优化器的搜索空间与评估流程，以隔离搜索策略本身的影响，并公开代码与调优配置，为后续工作提供系统优化后的基线参照。
🔑 关键词速览
| Multi-Object Tracking (MOT) | 多目标跟踪，指在视频序列中同时检测并跟踪多个目标的技术。 |
| Tracking-by-Detection | 基于检测的跟踪范式，先对每帧进行目标检测，再将检测结果关联成轨迹。 |
| Hyperparameter Optimization (HPO) | 超参数优化，自动搜索模型超参数以提升性能的过程。 |
| HOTA | 高阶跟踪精度，一种综合评估多目标跟踪性能的指标，平衡检测、关联和定位精度。 |
| Multi-Fidelity Greedy Coordinate Search (MFGCS) | 多保真度贪婪坐标搜索，本文提出的超参数优化方法，通过在不同数据子集上评估候选值来加速搜索。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅