FairMOT（Fairness in Detection and Re-Identification for Multi-Object Tracking）是一种基于联合学习（Joint Learning）的多目标跟踪（MOT）算法，由中科院自动化所团队提出。其核心思想是通过单阶段网络同时完成目标检测和重识别（Re-ID）特征提取，解决了传统两阶段方法（如DeepSORT）中检测与Re-ID任务的不公平性问题，显著提升了跟踪的准确性和效率。
1. 核心思想
FairMOT 的核心理念是 “公平性”，即让检测（Detection）和重识别（Re-ID）两个任务在同一个网络架构中均衡优化，避免传统方法中因独立训练导致的特征不一致问题。
-
传统方法（如DeepSORT）：
-
检测器和Re-ID模型分开训练，检测框的质量直接影响Re-ID特征提取。
-
检测误差会传递到Re-ID阶段，导致ID切换（ID Switch）增加。
-
-
FairMOT的改进：
-
单阶段架构：检测和Re-ID共享主干网络，减少计算冗余。
-
均衡训练：通过任务权重的动态调整&#x
-