GTA : Association Globale de Trajectoires pour le Suivi Multi-Objets dans les Sports

Le suivi multi-objet dans les scénarios sportifs est devenu l'un des points focaux en vision par ordinateur, connaissant d'importantes avancées grâce à l'intégration de techniques d'apprentissage profond. Malgré ces percées, des défis subsistent, tels que l'identification précise des joueurs lorsqu'ils réintègrent la scène et la minimisation des changements d'ID. Dans cet article, nous proposons un algorithme d'association globale basé sur l'apparence conçu pour améliorer les performances de suivi en divisant les trajectoires contenant plusieurs identités et en connectant les trajectoires apparemment issues de la même identité. Cette méthode peut servir d'outil de raffinement prêt à l'emploi pour tout suiveur multi-objet afin d'améliorer davantage leurs performances. La méthode proposée a atteint une nouvelle performance de pointe sur le jeu de données SportsMOT avec un score HOTA de 81,04 %. De manière similaire, sur le jeu de données SoccerNet, notre méthode a amélioré les performances de plusieurs suiveurs, augmentant constamment le score HOTA de 79,41 % à 83,11 %. Ces améliorations significatives et cohérentes sur différents suiveurs et jeux de données soulignent le potentiel impact de notre méthode proposée sur l'application du suivi des joueurs sportifs. Nous mettons notre base de code en open source à l'adresse suivante : https://github.com/sjc042/gta-link.git.