BoostTrack++ : exploitation des informations de tracklet pour détecter davantage d'objets dans le suivi d'objets multiples

Le suivi d’objets multiples (Multiple Object Tracking, MOT) dépend fortement du choix des boîtes englobantes détectées qui sont véritablement positives. Toutefois, cet aspect du problème est généralement négligé ou atténué en adoptant une association en deux étapes et en utilisant des détections à faible confiance lors de la deuxième étape. Récemment, BoostTrack a été proposé afin de contourner les inconvénients des approches à plusieurs étapes et d’exploiter efficacement les détections à faible confiance grâce à une amplification de la confiance des détections. Dans cet article, nous identifions les limites de l’amplification de confiance utilisée dans BoostTrack et proposons une méthode visant à améliorer ses performances. Pour construire une mesure de similarité plus riche et permettre un meilleur choix des détections véritables positives, nous proposons d’utiliser une combinaison de la forme, de la distance de Mahalanobis et d’une nouvelle mesure de similarité basée sur un soft BIoU. Nous introduisons également une technique d’amplification douce de la confiance des détections, qui calcule de nouvelles notes de confiance à partir de la mesure de similarité et des scores de confiance précédents, tout en intégrant un seuil de similarité variable afin de tenir compte des mesures de similarité plus faibles entre les détections et les trajectoires (tracklets) qui ne sont pas régulièrement mises à jour. Les améliorations proposées sont mutuellement indépendantes et peuvent être intégrées dans n’importe quel algorithme de MOT.En combinaison avec la base BoostTrack+, notre méthode atteint des résultats proches de l’état de l’art sur le jeu de données MOT17, et établit de nouveaux records en termes de scores HOTA et IDF1 sur le jeu de données MOT20.Le code source est disponible à l’adresse suivante : https://github.com/vukasin-stanojevic/BoostTrack.