Tracking

Learning to associate: hybridBoosted multi-target tracker for Crowed Scene
USC
Data Association based Tracking: Link short track fragments or detection responses into trajectories by global optimization based on position, size and appearance similarity.
所以并非实时，要将（很准确的） detection/base tracker 跑一遍，然后进行连接优化。
MAP 框架，在求得 inner cost 和 transition cost 的前提下，采用 cost-flow method 或者 Hungarian method Jinxing 优化。
本文创新在于通过学习的方法（HybridBoosted）学习来求得 transition cost，亦即 affinity measurement，并把这个问题归纳为 ranking 和 classification 的结合。
思路：
1. MAP
2. HybridBoosted
3. 如何生成训练数据，因为是类似于cascaded boosting 那样分类为很多个 stage，所以介绍了每个 stage 的训练数据如何生成。
4. k stage 的 tracklet 是由 k-1 stage 几条 tracklets 组合而成的，并且假设他们是马尔科夫链。

为解决的问题及思考：
1. 公式 （2）如何得到
2. HybridBoosting 中的推导，alpha 是靠优化得到的，为什么不是 error 的函数？有没有更好的方法来 formalize 这个问题？
A: 在 boosting 的推导中，alpha 和 h_m(x) 本来就是联合优化的。只不过在 AdaBoost 中，h_m(x) 可以独立于 alpha 先进行优化。
RankBoost 中貌似也是优化 alpha 的（没仔细证实）