Deep HM-SORT : Amélioration du suivi multi-objets dans le sport grâce aux caractéristiques profondes, à la moyenne harmonique et à l'IOU d'expansion

Ce document présente Deep HM-SORT, un nouvel algorithme de suivi en ligne multi-objets spécifiquement conçu pour améliorer le suivi des athlètes dans les scénarios sportifs. Les méthodes traditionnelles de suivi multi-objets ont souvent du mal à s'adapter aux environnements sportifs en raison des apparences similaires des joueurs, des mouvements irréguliers et imprévisibles, ainsi que des mouvements importants de la caméra. Deep HM-SORT répond à ces défis en intégrant des caractéristiques profondes, une moyenne harmonique et l'Expansion IOU (Intersection over Union). En utilisant la moyenne harmonique, notre méthode équilibre efficacement les indices d'apparence et de mouvement, réduisant considérablement les erreurs d'échange d'identité (ID-swaps). De plus, notre approche conserve indéfiniment tous les tracklets, améliorant la réidentification des joueurs qui sortent et réintègrent le cadre. Les résultats expérimentaux montrent que Deep HM-SORT atteint des performances de pointe sur deux benchmarks publics à grande échelle, SportsMOT et SoccerNet Tracking Challenge 2023. Plus précisément, notre méthode obtient un score de 80,1 HOTA sur le dataset SportsMOT et de 85,4 HOTA sur le dataset SoccerNet-Tracking, surpassant les trackers existants sur des métriques clés telles que HOTA, IDF1, AssA et MOTA. Cette solution robuste offre une précision et une fiabilité accrues pour l'analyse automatique du sport, apportant des améliorations significatives par rapport aux méthodes précédentes sans introduire de coûts computationnels supplémentaires.