Une stratégie de correspondance consciente de la confiance pour le suivi généralisé multi-objets

Le suivi d’objets multiples (MOT), une tâche essentielle en vision par ordinateur, présente une large applicabilité. Récemment, les méthodes de suivi basées sur la détection, qui séparent les processus de détection d’objets et d’association, ont atteint des performances de pointe. Toutefois, bien que des techniques telles que l’amélioration des caractéristiques et les mesures de distance aient été largement explorées, la stratégie d’appariement elle-même demeure un domaine nécessitant une étude plus approfondie. En conséquence, de nombreux systèmes de suivi nécessitent encore une calibration manuelle de paramètres hyper-sensibles pour chaque scénario, ce qui limite leur adaptabilité et leur robustesse dans des environnements dynamiques. Pour surmonter ces limitations, nous proposons CMTrack, un nouveau suiveur reposant sur une stratégie novatrice d’appariement consciente de la confiance, composée de trois modules : l’appariement en cascade conscient de la confiance (CCM), la fusion métrique consciente de la confiance (CMF) et la mise à jour des caractéristiques consciente de la confiance (CFU). Cette stratégie permet au suiveur d’offrir une solution généralisée et pratique pour divers scénarios de suivi, dans un cadre unifié, tout en éliminant la nécessité de réglages manuels des hyper-paramètres. L’efficacité de CMTrack est démontrée par des évaluations approfondies sur trois jeux de données emblématiques de MOT : MOT17, MOT20 et DanceTrack. Notamment, CMTrack dépasse de manière cohérente les méthodes de pointe existantes, mettant en évidence ses capacités supérieures de généralisation. Les codes sources et les modèles sont disponibles à l’adresse suivante : https://github.com/kamkyu94/CMTrack.