论文：BoT-SORT: Robust Associations Multi-Pedestrian Tracking
代码：https://github.com/NirAharon/BOT-SORT
本篇工作达到了2022年MOT17和MOT20两个数据集的新SOTA。该方法是基于ByteTrack的改进，论文主要包括三个点：一是更改了卡尔曼滤波器中的状态向量（MOTA +0.01%, IDF1 +0.12%, HOTA +0.24%），二是添加了相机运动补偿（MOTA +0.64%, IDF1 +1.62%, HOTA +0.94%），三是提出了一种IoU和ReID余弦距离的融合方法（使用ReID MOTA +0.07%, IDF1 +0.54%, HOTA +0.06%）。标出的性能提升为在MOT17验证集的结果。接下来介绍一下这三个点的实现细节：
论文：(WACV 2023) Hard to Track Objects with Irregular Motions and Similar Appearances? Make It Easier by Buffering the Matching Space
本工作（记作C-BIoU：Cascade Buffered IoU）主要用于不规则运动与不可区分的外观两个问题叠加的MOT场景。本工作提出的方法极为简单，但非常有效，实现了MOT 17、DanceTrack、SoccerNet、GMOT-40 四个数据集上的最新SOTA！本文提出两个创新点：一是提出用级联-BIoU实现相邻帧中不重叠的检测和轨迹的匹配（IDF1 +5.7%, HOTA +3.6%）；二是用前n帧的平均运动代替卡尔曼滤波实现运动估计（IDF1 +1.2%, HOTA +1.5%），这样可以消除卡尔曼滤波中的线性运动假设以及相机运动带来的估计误差。标出的性能提升为在DanceTrack验证集的结果。
论文: The Equalization Losses: Gradient-Driven Training for Long-tailed Object Recognition
代码：
解决长尾分布问题直观的做法有两类：设计数据重采样策略，或者对损失重加权（为不同类别或实例分配不同的权重）。大多数现有方法都是基于类别的频率设计的，然而这有个缺陷：这些方法不够鲁棒，因为广泛存在着容易的负样本和冗余的正样本。并且数据重采样还会增加训练时长。而本篇工作使用累积正负梯度比作为指标。它更稳定、更精确，能更好地反映模型的训练状态，对于长尾类别，正负梯度比接近0，而对于非长尾类别，正负梯度比接近1。本文根据当前的累积梯度动态地重新平衡正/负梯度，并以实现平衡梯度比为统一目标。基于此思想，论文得到了BCE loss、CE loss、Focal loss的均衡损失（Equalization loss）版本。
在本篇论文之前，论文作者已经在CVPR2020 《Equalization loss for long-tailed object recognition》和 CVPR2021 《Equalization Loss v2: A New Gradient Balance Approach for Long-tailed Object Detection》发表了部分观点，而本篇论文像是对以往工作的大一统总结和扩展。
2023年1月，AAAI 2023 实用AI挑战赛落下帷幕。我所在的team_kppkkp队获得总榜冠军。在此，分享一下我们队本次比赛的方案，抛砖引玉。
本次比赛由商汤科技联合北航刘祥龙教授团队，携手安徽合肥数据空间研究院、天数智芯、科大讯飞、OpenI 启智新一代人工智能开源开放平台等机构与企业，在国际顶级人工智能会议AAAI 2023上举办，旨在搭建一座连通学术与工业化落地的桥梁，筛选出效果好、效率高、鲁棒性强的模型设计，推动人工智能领域朝实用方向发展。
在支付宝中入门基金小试牛刀一年多之后，我慢慢消除了对理财的陌生和恐惧，开始对股票等多种多样的理财方式产生了兴趣。这篇文章将记录我从开户以来的学习笔记（持续更新中...），希望与大家相互交流学习，共同赚钱！
介绍 Dockerfile 以及 Docker Compose 的使用
本文介绍Docker使用和管理的常用命令，包括镜像的导入导出和使用、容器的使用和暂停、容器的运行和创建日志等。
我们为什么需要Docker？ 没有docker遇到的问题：
本文介绍常见CMakeLists.txt中的内容和含义，以及它的使用方法。
本文介绍.bash_profile文件的编写规则，给出.bashrc， .tmux.conf， .vimrc中常用的配置，还有一个有趣的配置，可以实现登陆后在命令行输出你喜欢的符号。