SparseTrack: تتبع كائنات متعددة من خلال إجراء تحليل مكاني استنادًا إلى العمق الظاهري

استكشاف طرق ارتباط قوية وفعالة كان دائمًا قضية مهمة في تتبع الكائنات المتعددة (MOT). وعلى الرغم من الأداء المتميز الذي حققته الطرق الحالية للتعقب، تظل الازدحامات والاختناقات المتكررة بسبب التغطية (الإغلاق) تحديات كبيرة في تتبع الكائنات المتعددة. نُظهر أن إجراء تحليل تحليلي نادر (sparse decomposition) على المشاهد الكثيفة يُعد خطوة حاسمة لتحسين أداء ربط الكائنات المختبئة. ولتحقيق ذلك، نقترح طريقة تقدير عمق افتراضي (pseudo-depth estimation) للحصول على المعلومات النسبية حول العمق للكائنات من الصور ثنائية الأبعاد. ثانيًا، نصمم خوارزمية تطابق متسلسلة العمق (Depth Cascading Matching - DCM)، التي تستطيع استخدام المعلومات المُستخرجة عن العمق لتحويل مجموعة الكائنات الكثيفة إلى عدة مجموعات فرعية نادرة، ثم تنفيذ عملية الربط البيانات على هذه المجموعات الفرعية النادرة تدريجيًا من الأقرب إلى الأبعد. وبدمج طريقة العمق الافتراضي واستراتيجية DCM في عملية الربط البيانات، نقترح مُتتبعًا جديدًا يُسمى SparseTrack. يُقدّم SparseTrack منظورًا جديدًا لحل مشكلة تتبع الكائنات في المشاهد المزدحمة التي تُعد تحديًا كبيرًا. وباستخدام تقنية المطابقة فقط بناءً على IoU، يحقق SparseTrack أداءً مُComparable مع أفضل الطرق الحالية (SOTA) على مجموعتي البيانات MOT17 وMOT20. يمكن الوصول إلى الكود والنموذج عبر الرابط التالي: \url{https://github.com/hustvl/SparseTrack}.