《表4 MOT16的多目标跟踪方法的通用指标评估结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的行人多目标跟踪方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

(2）由3.1节可知，影响MOTA得分的主要指标是FN、FP和IDSW，而FN在数量上比另外两个指标高出一个数量级。因此若能大幅减少FN值，则可能得到性能更加优秀的方法。通过表3、表4可看出，POI[12]、NSH[17]、Deep SORT[24]的MOTA得分优秀的原因之一就是它们的FN值较低。另外Leal-Taixé[60]等指出，MOTA与FN值之间可以通过皮尔森相关系数（Pearson correlation coefficient）联系在一起。因此，虽然一些通用检测器也在减少FN值上有所改进，但是更加行之有效的办法仍然是设计专用的目标检测器，并尽可能地降低FN值。