CVPR15:Person Count Localization in Videos from Noisy Foreground and Detections
paper主要的contribution是定义了person count localization及其周边，不过虽然之前提过的person count问题常用结果评估标准是只看最后给出的counts，但其实之前的文章也并不完全是只给出global counts的。文中可能是更加重视这个localization的问题并且确实是利用这个信息去解决问题了，但是这样就要做出一个区分，即首先将问题定义好:person counts or tracking by detection?。
文章提出这个person count localization问题，是对给定视频序列，给出每帧上的detection及其counts，如下图所示：
阅读之后很快发现，其实是用MOT的思路解决的。【虽然文章中说，这是middle-ground between frame-level person counting and person detection，但是我更感觉这是粗糙的MOT，至少Error driven Graph Revision部分的思路是一致的】不知道直接在上面跑MOT是什么样的效果~
其实调研之初我在考虑方法时考虑过这个问题，但不知为什么很排斥tracking by detection的方法去解决person count的方法，可能是觉得如果做tracking就专心做tracking吧~之前的代码测试虽然在无情的打击着我对state of art的信心，但还是充满希望~
言归正传，paper提出的方法是现在视频上跑一遍person detector and foreground segmentation，两个结果互为补充。然后using both the person detector’s results and the relatively larger connected components from the foreground segmentation构建如下流图，u是detection，e是互联的边，为了更加像一个图，又把同一个u分成两个部分，使得中间也有一个边e连接。它满足图的构造限制，每个边上都会有一个流量x，流入等于流出
然后把NP-complete的问题变成解ILP问题,红色求和部分的基本单元中xt,t i,i′ ,n to be the indicator of flow variable xt,t i,i′ taking value n，ct i,i′,n to be the accuracy score of f for assigning detection dtia count of n：
中间的步骤先略去~红字求和部分实际上是求单帧上单个detection的count的数学期望，那就是说在满足流图限制的情况下，求所有帧所有detection期望count的和最大的流量分配。解这个ILP问题的时间消耗大，整个过程大致需要1~20min，是比较耗时的。
最后就是利用MOT的思路加边，加节点或者利用tracker补上missing detection，而三种操作的选择方法是训练了一个random forest classifier，略去~这样原来的流图就会发生改变，再次重复这两个步骤至迭代停止条件满足即可~
实验结果评测时由于他加入了位置信息，传统方法不适用，所以提出了自己的评估方法，没什么可说的~但此时回到前面问过的问题，即前面所说的区分，如果跟MOT的结果比呢？文章给出了与Conservation tracking（ICCV, 2013.） 对比的直观结果，如下：