我们首先详细介绍了实验设置，并分析了HeadHunter在SCUTHEAD和CroHD两个数据集上的性能，对于HeadHunter的Faster-RCNN头部，我们使用了8个锚，其大小是通过在训练集中的真实边界框上执行K-means获得的，为了避免锚点重叠，锚点在四个金字塔层中被平均分割，锚点的步幅为max(16, s/d)，其中s为锚框面积的平方根，d为比例因子，对于所有的实验，我们使用在线难例挖掘，有1000个建议框，批大小为512。
SCUT-Head 是一个大规模的头部检测数据集，由4405张图像和111,251个标注头部组成，分布在a部分和b部分，我们训练HeadHunter 20个周期，输入分辨率为训练集的中值图像分辨率(1000x600像素)，初始学习率分别为第5、第10和第15个周期的0.01减半，为了进行公平的比较，我们只在这个数据集的训练集上训练HeadHunter，而不使用任何训练集pre-trained模型，我们在表2中总结了该数据集与其他头部检测器的定量比较，HeadHunter在精确度、召回率和F1分数上优于其他最先进的头部探测器。
CroHD 首先，我们以0.001的学习率对来自SCUT-HEAD数据集和CrowdHuman数据集的训练集图像组合进行了20个epoch的训练，对大规模图像数据集进行预训练，可以很好地描述变化，提高头部检测的鲁棒性，然后，我们使用ADAM优化器对CroHD训练集上的HeadHunter进行微调，共25个阶段，初始学习率为0.0001，学习率在第10和第20期分别下降了0.1倍。
消融 我们检查了HeadHunter的设计选择，即通过删除上下文模块和锚点选择策略的使用，表3总结了HeadHunter及其在CroHD上的变体的头部检测性能，我们将检测的最小置信度阈值设为0.5进行评估，W/O contt是指没有上下文模块的HeadHunter，我们进一步取消了中值锚点采样策略，并将其称为W/O Cont, mAn，我们还提供了基于CroHD上Resnet-50骨干的Faster-RCNN的基线性能，CroHD是我们构建HeadHunter的对象检测器，我们采用了与HeadHunter相同的训练策略，HeadHunter的所有变种都明显优于fast-rcnn，包含上下文模块和锚点初始化策略对头部检测也有显著影响。
6.2. HeadHunter-T
对于粒子过滤框架，我们对每个对象使用最多N=100个粒子，N个粒子均匀地放置在初始边界框周围，为了确保粒子不是不均匀地扩散并且足够清晰，我们从均匀分布中采样，其下限和上限分别为((x 1.5w, y 1.5h)， (x + 1.5w, y + 1.5h)，式中，x, y, w, h为初始边界框的质心、宽度和高度。对于基于颜色的重新识别，我们分别为H、S和V通道使用16、16和8个容器，其中使用亮度不变的Hue代替标准的Hue。表示IoU和颜色直方图匹配的重要性的α、β分别设为0.8和0.2，分别对应于公式7，如果轨迹在λage = 25帧的时间内保持不活跃，或者它的运动预测落在图像坐标之外，我们就会禁用它。
我们评估了CroHD上的三种最先进的跟踪器，即SORT， V-IOU和Tracktor，以与HeadHunter-T进行比较，我们选择了不需要任何跟踪特定训练的方法，这些方法的实现已经公开，并且在拥挤的MOTChallenge CVPR19基准测试上表现最好。
为了进行公平的比较，我们使用HeadHunter提供的头部检测进行所有实验，阈值设置为最小置信度0.6，SORT是一种利用卡尔曼滤波运动模型，将基于iou匹配的检测与匈牙利算法进行时间关联的在线跟踪器。VIOU将基于IOU匹配的IOU检测关联起来，利用可视化信息减少因漏检而导致的跟踪不一致，VIOU和SORT的参数设置是基于对CroHD训练集的微调，我们评估了Tracktor的两种变体，有和没有运动模型，Tracktor+MM表示带有摄像机运动补偿和CVA的非活动轨迹扩展的Tracktor，对于两个版本的Tracktor，我们设置了类似于HeadHunter的跟踪参数。
