MOTIP-FFE是在MOTIP基础上集成了FLD (Feature Learning and Distillation) 模块的多目标跟踪系统。

• FLD模块：集成了HAT-MASA中的LDA (Linear Discriminant Analysis) 特征转换功能，用于提升ReID特征的判别性。
• 可配置性：用户可以通过参数控制FLD的开启和关闭，以及调整FLD的相关参数。

# 安装基础依赖
pip install -r requirements.txt

# 安装FLD相关依赖
pip install scikit-learn

from models.runtime_tracker import RuntimeTracker

# 初始化跟踪器（默认不使用FLD）
tracker = RuntimeTracker(
    model=your_model,
    sequence_hw=(height, width),
    # 其他参数...
)

from models.runtime_tracker import RuntimeTracker

# 初始化跟踪器并启用FLD
tracker = RuntimeTracker(
    model=your_model,
    sequence_hw=(height, width),
    # 启用FLD
    use_fld=True,
    # FLD相关参数
    fld_hist_len=60,           # 历史队列长度
    fld_factor_thr=4.0,        # 触发FLD的阈值因子
    fld_use_standard_scaler=False,  # 是否使用标准化
    fld_direct_inter_class_diff=True,  # 是否使用直接类间差异
    fld_use_weighted_class_mean=True,  # 是否使用加权类均值
    # 其他参数...
)

1. FLD集成：将HAT-MASA中的LDA特征转换功能集成到MOTIP的_get_id_pred_labels方法中。

2. 历史队列：使用FIFO队列存储每个ID的历史特征，用于LDA模型的训练。

3. 条件触发：只有当历史特征数量足够多时（超过当前跟踪目标数的fld_factor_thr倍），才会触发FLD。

4. 特征转换：使用训练好的LDA模型对当前特征和轨迹特征进行转换，提升特征的判别性。

5. 兼容性：FLD功能默认关闭，不会影响MOTIP的原始功能。

• FLDProjector：nn.Linear(NUM_ID_VOCABULARY - 1 → FEATURE_DIM) + LayerNorm + GELU，将 LDA 输出（固定宽度、不足则填零）映射到与 DETR 一致的维度，供 trajectory_modeling / ID Decoder 使用。由配置 USE_FLD_PROJECTOR（默认 True）在 build 时创建。
• 推理：TRACKING_MODE=motip_fld 时，若 checkpoint 含 fld_projector 权重，则优先用投影；否则回退为零填充到 256 维。
• 训练：设置 USE_FLD_TRAIN: True 时，在每个 clip 上对可见轨迹点拟合 LDA（no_grad），再用 FLDProjector 替换 seq_info 中的轨迹/未知特征，主监督仍为原有 id_loss（交叉熵）。
• 对齐损失：FLD_ALIGN_LOSS_WEIGHT × fld_align_loss，其中 fld_align_loss = 1 - mean(cosine(proj_lda, det_feat))，仅在当前帧 unknown 上统计，用于约束投影后的向量不要偏离原始 DETR 特征方向（与 id_loss 配合；LDA 本身无梯度，梯度仅流经 FLDProjector）。
• 加载旧权重：load_checkpoint 使用 strict=False，便于在旧 checkpoint 上新增 fld_projector 后微调。

FLD模块通过学习类间差异和类内相似性，能够有效提升ReID特征的判别性，从而提高多目标跟踪的准确性，尤其是在目标外观变化较大的场景中。

• FLD模块会增加一定的计算开销，特别是在历史特征较多时。
• 对于短序列或目标数量较少的场景，FLD可能不会带来明显的性能提升。
• 建议根据具体场景调整FLD的参数，以获得最佳效果。