Iterative Scale-Up Expansion IoU und tiefe Merkmalsassoziierung für die Multi-Objektverfolgung in Sportereignissen

Deep-Learning-basierte Objektdetektoren haben bedeutende Fortschritte in der Mehrobjektverfolgung ermöglicht. Dennoch konzentrieren sich aktuelle Verfolgungsmethoden hauptsächlich auf einfache, regelmäßige Bewegungsmuster von Fußgängern oder Fahrzeugen. Dies hinterlässt eine Lücke bei der Verfolgung von Objekten mit nichtlinearen, unregelmäßigen Bewegungen, wie beispielsweise Athleten. Zudem erweist sich die Verwendung des Kalman-Filters in jüngsten Verfolgungsalgorithmen als unzureichend, wenn die Objektbewegungen den linearen Annahmen des Filters widersprechen. Um diese Probleme zu überwinden, stellen wir einen neuartigen, online und robusten Ansatz zur Mehrobjektverfolgung vor, genannt Deep ExpansionIoU (Deep-EIoU), der speziell für Sport-Szenarien konzipiert ist. Im Gegensatz zu herkömmlichen Methoden verzichten wir auf den Einsatz des Kalman-Filters und nutzen stattdessen die iterative Skalierung durch ExpansionIoU sowie tiefe Merkmale, um eine robuste Verfolgung in Sportumgebungen zu gewährleisten. Unser Ansatz erreicht eine herausragende Verfolgungsleistung, ohne einen robusteren Detektor einzusetzen, und behält dabei die Online-Natur des Verfolgungsprozesses bei. Die vorgeschlagene Methode zeigt eine bemerkenswerte Effektivität bei der Verfolgung von Objekten mit unregelmäßigen Bewegungen und erzielt auf dem SportsMOT-Datensatz eine HOTA-Score von 77,2 % und auf dem SoccerNet-Tracking-Datensatz einen HOTA-Score von 85,4 %. Sie übertrifft alle vorherigen State-of-the-Art-Tracker auf verschiedenen großskaligen Mehrobjektverfolgungs-Benchmarks, die unterschiedliche Sport-Szenarien abdecken. Der Quellcode und die Modelle sind unter https://github.com/hsiangwei0903/Deep-EIoU verfügbar.