StrongSORT: إعادة إحياء DeepSORT إلى عظمته

في الآونة الأخيرة، لاقت تتبع الكائنات المتعددة (MOT) اهتمامًا متزايدًا، وتم تحقيق تقدم ملحوظ في هذا المجال. ومع ذلك، تميل الطرق الحالية إلى استخدام نماذج أساسية متنوعة (مثل نموذج الكشف ونموذج التضمين)، بالإضافة إلى تقنيات تدريب أو استنتاج مختلفة. نتيجة لذلك، أصبح بناء أساس قوي وعادل لتمكين المقارنات العادلة أمرًا بالغ الأهمية. في هذا البحث، تم إعادة النظر في مُتتبع كلاسيكي، ألا وهو DeepSORT، ثم تم تحسينه بشكل كبير من جوانب متعددة، بما في ذلك كشف الكائنات، وتمثيل السمات، وربط المسارات. ويُسمّى المُتتبع المقترح StrongSORT، ويسهم في توفير أساس قوي وعادل للمجتمع البحثي في مجال تتبع الكائنات المتعددة. علاوة على ذلك، تم اقتراح خوارزميتين خفيفتين وقابلتين للتركيب (plug-and-play) لمعالجة مشكلتين جوهريتين مُعْتَبَرَتْ "مفقودتين" في تتبع الكائنات: فقدان الربط وفقدان الكشف. وبشكل خاص، وعلى عكس معظم الطرق التي تربط المسارات القصيرة (short tracklets) لتكوين مسارات كاملة بتعقيد حسابي عالٍ، نقترح نموذج رابط خالٍ من السمات البصرية (AFLink) لتنفيذ الترابط العالمي دون الحاجة إلى معلومات مظهرية، ونحقق توازنًا جيدًا بين السرعة والدقة. علاوة على ذلك، نقترح تقنية تداخل مُعدّلَة بوساطة تحليل جاوسية (GSI) تعتمد على الانحدار باستخدام عملية جاوسية لتخفيف مشكلة فقدان الكشف. ويمكن دمج AFLink وGSI بسهولة في مختلف المُتتبعات مع تكلفة حسابية إضافية ضئيلة جدًا (1.7 مللي ثانية و7.1 مللي ثانية لكل صورة على مجموعة بيانات MOT17، على التوالي). وأخيرًا، من خلال دمج StrongSORT مع AFLink وGSI، تم تحقيق أداءً متميزًا على عدة معايير عامة، بما في ذلك MOT17 وMOT20 وDanceTrack وKITTI. وستتوفر الشيفرة المصدرية على منصتي GitHub: https://github.com/dyhBUPT/StrongSORT وhttps://github.com/open-mmlab/mmtracking.