4.1 数据集（Dataset）
在两个大型多体育项目球员跟踪数据集（即 SportsMOT [7] 和 SoccerNet-Tracking [6]）上对跟踪算法进行了评估。
SportsMOT 包含 240 个视频序列，超过 150K 个帧和 160 多万个边界框，收集自篮球、足球和排球等 3 种不同的运动项目。与 MOT 数据集 [19, 8]不同，SportsMOT 具有更高的难度，包括1) 目标的快速和不规则运动；2) 更大的摄像机运动；3) 同一球队球员的相似外观。
SoccerNet-Tracking 是一个大规模的多目标跟踪数据集，由 201 个足球比赛序列组成。每个序列长度为 30 秒。该数据集包含 225,375 个帧，3,645,661 个注释边界框和 5,009 个轨迹。与 仅关注体育运动员在球场上的跟踪情况的SportsMOT 不同，SoccerNet 的跟踪目标包含多个对象类别，包括普通球员、守门员、裁判和足球。
4.2 检测器（Detector）
作者选择 YOLOX [10] 作为目标检测器，以实现实时和高精度的检测性能。现有的几个跟踪器 [33, 5, 1, 31] 也采用了 YOLOX 作为检测器，这也使得这些跟踪器与作者的跟踪器之间的比较更加公平。作者使用 YOLOX 官方 GitHub 仓库提供的 COCO 预训练 YOLOX-X 模型[10]，并使用 SportsMOT 训练集和验证集对该模型进一步微调。 epochs设置为80，输入图像大小为 1440 × 800，数据增强包括 Mosaic 和 Mixup。使用权重衰减为 5 × 10-4 和动量为 0.9 的 SGD 优化器。带有1 epoch的加热和余弦退火计划的初始学习率为 10-3，这与 ByteTrack [33] 的训练步骤相同。至于SoccerNet-Tracking 数据集，由于该数据集提供了oracle detections，为了进行公平比较并侧重于跟踪，直接使用该数据集提供的oracle detetions对所有跟踪器进行评估。
4.3 ReID模型（ReID模型）
对于运动员再识别（ReID），作者使用 OSNet [39] 中提出的全尺度特征学习。统一的聚合门融合了不同尺度的特征，增强了人员ReID 的能力。
SportsMOT 用于 SportsMOT 数据集实验的 ReID 训练数据是基于原始的 SportsMOT 数据集构建的，作者根据每个球员的边界框的标注真实值对其进行裁剪。采样数据集包括 31279 张训练图像、133 张查询图像和 1025 张图库图像。
SoccerNet-Tracking 作者从 SoccerNet-Tracking 训练集中抽取 ReID 训练数据，从随机抽样的视频中为每个球员随机选取 100 个真实值边界框，其中 65 个用作训练图像，10 个用作查询图像，25 个用作图库图像。采样的 ReID 数据包含 7,085 张训练图像、1,090 张查询图像和 2,725 张图库图像，共随机选择了 109 个身份。
训练细节 作者使用 Market-1501 数据集[37]中的预训练模型，并根据上述每个抽样体育 ReID 数据集进一步微调模型，最终为这两个数据集建立两个 ReID 模型。每个模型训练 60 个epochs，使用带有交叉熵损失的Adam优化器，初始学习率为 3 × 10-4。所有实验均在单个 Nvidia RTX 4080 GPU 上进行。
4.4 跟踪设置（Tracking Setting）
高分检测的阈值为 0.6，而置信度在 0.6 和 0.1 之间的检测将被视为低分检测，其余置信度低于 0.1 的检测将被过滤。损失过滤阈值 τA 和 τEIoU 分别设为 0.25 和 0.5。作者还取消了检测边界框中的长宽比限制，因为体育场景中可能会出现球员躺在地上的情况，这与 MOT 数据集中大多数行人站立和行走的情况不同。对于高分检测关联，将扩展尺度 E_initial 的初始值设为 0.7，步长 λ 为 0.1，迭代总次数t_total为2。低分检测关联的扩展尺度 E 为 0.7，未匹配检测的扩展尺度 E 为 0.5。保留丢失轨迹的最大帧数为 60 帧。跟踪结束后，应用线性插值来提高最终跟踪性能。
4.5 评估指标（Evaluation Metrics）
MOTA [2] 通常被用作多目标跟踪任务的评估指标，但 MOTA 主要关注的是检测性能而非关联精度。最近，为了在检测性能和关联性能之间取得平衡，越来越多的公共基准开始使用 HOTA [16] 作为主要评估指标。在对 SportsMOT 数据集进行评估时，作者采用了 HOTA、MOTA、IDF1 和其他相关指标 [3] 进行比较。而对于 SoccerNet，采用 HOTA 指标以及相关的 DetA 和 AssA 指标，因为只有这些指标是由评估服务器提供的。
4.6 性能（Performance）
作者在两个大型体育场景多目标跟踪数据集SportsMOT 和 SoccerNetTracking 数据集上将他们的跟踪算法与之前已有的跟踪器进行了比较。所有实验均在一个 Nvidia RTX 4080 GPU 上运行，跟踪结果在数据集的官方评估服务器上进行评估。
SportsMOT 如表 2 所示，提出的 Deep-EIoU 在 HOTA 中达到 77.2，在 IDF1 中达到 79.8，在 AssA 中达到 67.7。性能达到了最先进的水平，优于之前所有的跟踪器，同时还保持了在线跟踪过程，展示了算法在体育场景中多目标跟踪的有效性。 
SoccerNet 为了关注跟踪性能并进行公平比较，所有评估方法都使用了由 SoccerNet-Tracking 数据集 [6] 提供的 oracle 检测。作者提出的方法的性能见表 3。方法在 HOTA、AssA 和 DetA 中的性能分别达到了 85.443、73.567 和 99.236，远远超过了几种最先进的在线跟踪算法。DeepSORT 和 ByteTrack 的性能报告来自最初的 SoccerNet-Tracking 论文[6]。Deep-EIoU 在各种大规模体育运动员跟踪数据集中的优异表现证明了作者的算法在体育多目标跟踪中的有效性。 
4.7 Deep-EIoU消融实验研究（Ablation Studies on Deep-EIoU）
在实验中，Deep-EIoU 在 SportsMOT 测试集上以不同的设置进行了评估，包括是否在跟踪过程中加入外观（ReID）、使用迭代扩展边界框扩展以及使用线性插值作为后处理。如表 4 所示，在加入基于外观关联的 ReID 模型后，Deep-EIoU 的 HOTA 提升了 3.8，这表明虽然运动员之间具有相似的外观，但在运动场景中以外观为线索进行追踪仍然非常重要。通过迭代扩展过程（ISU），逐步扩展的边界框可以首先与 EIoU 较高的小轨迹和检测建立关联，从而也提高了跟踪性能，需要注意的是，迭代扩展过程结合了更大的跟踪缓冲区，与行人跟踪的默认设置 30 不同，由于体育场景的遮挡特性更强，使用了 60。最后，按照大多数在线跟踪算法[33, 5]，还加入了线性插值（LI）作为提高最终跟踪性能的策略。 
4.8 初始扩展尺度的鲁棒性（Robustness to initial expansion scale）
为了证明方法的有效性和鲁棒性，作者在迭代扩展过程中根据不同的初始扩展尺度进行了实验。将初始扩展尺度从 0.2 改为 0.8。图 5 中的实验结果表明，由于迭代扩展过程可以增强鲁棒性，并且无需调整任何参数即可实现 SOTA 性能，因此仍然可以在不同的初始扩展尺度下实现 SOTA 性能。这证明了方法在现实世界中的有效性，因为现实世界中往往没有真实值，跟踪参数也无法调整。 
4.9 基于卡尔曼滤波器的跟踪器上的ExpansionIoU（ExpansionIoU on Kalman filter-based tracker）
为了测试 ExpansionIoU 对基于卡尔曼滤波器的跟踪器的影响，作者还通过直接集成卡尔曼滤波器和 ExpansionIoU 实现了几个版本的方法。在实施过程中，在ExpansionIoU 之后的跟踪过程中，将对卡尔曼滤波器的预测和检测结果进行扩展。表 5 中的实验结果表明，将 IoU 直接替换为 EIoU 后，这两种基于卡尔曼滤波器的经典跟踪器在 HOTA、AssA 和 DetA 中的性能都有很大程度的提高。这表明，ExpansionIoU 也可以作为基于卡尔曼滤波器的跟踪器的即插即用技巧来提高跟踪性能。 
4.10 局限性（Limitation）
虽然作者的算法为体育场景中的在线多目标跟踪提供了一个强大而实用的解决方案，但它也有其局限性，包括缺乏离线后处理轨迹细化方法。这种方法可能涉及后处理方法[14]或强内存缓冲区[26]，这对于处理体育运动员临时退出和重新进入摄像机视野的边缘情况非常有价值。值得注意的是，未来探索和整合离线细化技术有可能提高整体性能，并将方法的适用范围扩展到短期跟踪场景之外。
Deep-EIoU 的另一个问题是，与基于运动的跟踪器相比，它的运行速度相对较慢。尽管性能大幅提升，但基于外观的逐个检测跟踪框架（涉及检测器和 ReID 模型）的集成带来了额外的计算成本。目前的 DeepEIoU 管道在单个 Nvidia RTX 4080 GPU 上可达到约 14.6 FPS，与基于运动的跟踪器相比速度较慢。值得注意的是，过渡到更轻便的探测器和 ReID 模式有可能大大提高运行速度。