Détection et récupération dans le suivi d'objets multiples en ligne avec un suivi par graphe épars

Dans les méthodes existantes de détection et de suivi conjoints, des caractéristiques relationnelles appariées sont utilisées pour associer des trajectoires antérieures (tracklets) aux détections actuelles. Toutefois, ces caractéristiques peuvent ne pas être suffisamment discriminantes pour permettre au suiveur d’identifier une cible parmi un grand nombre de détections. La sélection uniquement des détections à haut score pour le suivi peut entraîner des détections manquées dont le score de confiance est faible. En conséquence, dans un cadre en ligne, cela provoque des ruptures dans les trajectoires, qui ne peuvent pas être restaurées. À cet égard, nous proposons Sparse Graph Tracker (SGT), un nouveau suiveur en ligne basé sur un graphe, qui utilise des caractéristiques relationnelles d’ordre supérieur plus discriminantes, obtenues en agrégant les caractéristiques des détections voisines ainsi que leurs relations. SGT transforme les données vidéo en un graphe, où les détections, leurs connexions et les caractéristiques relationnelles entre deux nœuds reliés sont représentés respectivement par des nœuds, des arêtes et des caractéristiques d’arêtes. Les caractéristiques d’arêtes puissantes permettent à SGT de suivre des cibles en sélectionnant les candidats de suivi parmi les K meilleures détections (top-K), même pour de grandes valeurs de K. Ainsi, même les détections à faible score peuvent être suivies, et les détections manquées sont également récupérées. La robustesse par rapport à la valeur de K est démontrée par des expériences étendues. Sur les défis MOT16/17/20 et HiEve, SGT surpassent les meilleurs suiveurs actuels tout en offrant une vitesse d’inférence en temps réel. En particulier, une amélioration significative du score MOTA est observée sur MOT20 et HiEve. Le code est disponible à l’adresse suivante : https://github.com/HYUNJS/SGT.