Wann ReID-Features extrahiert werden sollten: Ein selektiver Ansatz zur Verbesserung des mehrfachen Objektverfolgung

Die Extraktion und Abgleichung von Re-Identification (ReID)-Features wird von vielen state-of-the-art (SOTA) Verfahren für die mehrfache Objektverfolgung (Multiple Object Tracking, MOT) genutzt und zeichnet sich insbesondere bei häufigen und langanhaltenden Verdeckungen durch hohe Effektivität aus. Während in jüngster Forschung der Fokus auf end-to-end-Objektdetektion und -verfolgung lag, konnten diese Ansätze bisher in Benchmarks wie MOT17 und MOT20 die klassischen Methoden noch nicht überflügeln. Aus praktischer Sicht bleiben daher Methoden mit getrennter Detektion und Embedding weiterhin die beste Wahl hinsichtlich Genauigkeit, Modularität und Implementierbarkeit, sind jedoch auf Edge-Geräten aufgrund des hohen Ressourcenverbrauchs unpraktisch. In diesem Paper untersuchen wir einen selektiven Ansatz, um den Overhead der Feature-Extraktion zu minimieren, ohne dabei Genauigkeit, Modularität und Implementierbarkeit zu beeinträchtigen. Dieser Ansatz lässt sich nahtlos in verschiedene SOTA-Methoden integrieren. Wir belegen dessen Wirksamkeit durch die Anwendung auf StrongSORT und Deep OC-SORT. Experimente auf den Datensätzen MOT17, MOT20 und DanceTrack zeigen, dass unsere Methode die Vorteile der Feature-Extraktion bei Verdeckungen beibehält, gleichzeitig jedoch die Laufzeit erheblich reduziert. Zudem verbessert sie die Genauigkeit, indem sie Verwirrung im Feature-Abgleichstadium verhindert – insbesondere in Fällen von Deformation und optischer Ähnlichkeit, die in DanceTrack häufig auftreten.https://github.com/emirhanbayar/Fast-StrongSORThttps://github.com/emirhanbayar/Fast-Deep-OC-SORT