BoostTrack: تعزيز قياس التشابه وثقة الكشف لتحسين تتبع الكائنات المتعددة

التعامل مع الكشف غير الموثوق وتجنب تبديل الهوية يُعدان أمرين بالغَيْن أهمية لنجاح تتبع الكائنات المتعددة (MOT). في الحالة المثالية، يجب أن يعتمد خوارزمية MOT فقط على الكشف الصحيح (الإيجابي الحقيقي)، وأن تعمل في الزمن الفعلي، وأن تُنتج لا تبادل في الهوية. لتحقيق الحل المثالي المذكور، نقدّم BoostTrack، وهي طريقة بسيطة وفعّالة لتحديد المسارات عبر الكشف (tracing-by-detection)، تُستخدم فيها عدة إضافات خفيفة الوزن يمكن تركيبها بسهولة لتحسين أداء تتبع الكائنات المتعددة. قمنا بتصميم مؤشر موثوقية مرتبط بين الكشف والمسار (detection-tracklet confidence score)، واستخدمناه لتعديل قياس التشابه، وتمكين التفضيل ضمنيًا للأزواج ذات موثوقية عالية في الكشف والمسار في عملية التوافيق أحادية المرحلة. ولتقليل الغموض الناتج عن استخدام معامل التداخل على الوحدة (IoU)، نقترح إضافة مسافة ماهالانوبيس (Mahalanobis distance) وتشابه الشكل، مما يعزز القياس العام للتشابه. ولتمكين استخدام صناديق حدودية ذات درجات كشف منخفضة في عملية التوافيق أحادية المرحلة، نقترح رفع درجات موثوقية كلا المجموعتين من الكشف: الكشف الذي نفترض أنه يتوافق مع كائن مُتتبع بالفعل، والكشف الذي نفترض أنه يتوافق مع كائن لم يُكتشف سابقًا. تُعد هذه الإضافات متعامدة مع الأساليب الحالية، ونقوم بدمجها مع تقنيات الاستيفاء وتصحيح حركة الكاميرا لتحقيق نتائج تُقارن بالحلول القياسية في المعايير، مع الحفاظ على سرعة تنفيذ في الزمن الفعلي. وبما يُضاف إلى تشابه المظهر، تتفوّق طريقتنا على جميع الحلول القياسية في مجموعتي بيانات MOT17 وMOT20. كما تحتل المرتبة الأولى بين الطرق الزمنية الفعلية (online methods) في مقياس HOTA ضمن تحدّي MOT على مجموعتي بيانات MOT17 وMOT20. نُزوّد برمز البرمجة الخاص بنا على الرابط التالي: https://github.com/vukasin-stanojevic/BoostTrack.