Expansion itérative à grande échelle, association d'IoU et de caractéristiques profondes pour le suivi multi-objets en sports

Les détecteurs basés sur l’apprentissage profond ont permis des progrès notables dans les algorithmes de suivi multi-objets. Toutefois, les méthodes actuelles de suivi se concentrent principalement sur des motifs de mouvement simples et réguliers, tels que ceux observés chez les piétons ou les véhicules. Cela laisse un vide dans le suivi des objets présentant des mouvements non linéaires et irréguliers, comme les athlètes. En outre, l’utilisation du filtre de Kalman dans les algorithmes de suivi récents se révèle insuffisante lorsque le mouvement des objets contredit l’hypothèse linéaire sous-jacente. Pour surmonter ces limitations, nous proposons une nouvelle approche en temps réel et robuste pour le suivi multi-objets, nommée Deep ExpansionIoU (Deep-EIoU), spécifiquement conçue pour les scénarios sportifs. Contrairement aux méthodes classiques, nous abandonnons l’utilisation du filtre de Kalman et exploitons l’IoU itératif à expansion (ExpansionIoU) combiné aux caractéristiques profondes afin d’assurer un suivi robuste dans des contextes sportifs complexes. Cette approche atteint des performances de suivi supérieures sans nécessiter un détecteur plus robuste, tout en maintenant un fonctionnement en ligne. Notre méthode s’avère particulièrement efficace pour le suivi d’objets présentant des mouvements irréguliers, obtenant un score de 77,2 % en HOTA sur le jeu de données SportsMOT et 85,4 % en HOTA sur SoccerNet-Tracking. Elle dépasse tous les trackers de pointe précédents sur diverses grandes bases de données de suivi multi-objets, couvrant une large variété de scénarios sportifs. Le code source et les modèles sont disponibles à l’adresse suivante : https://github.com/hsiangwei0903/Deep-EIoU.