BoostTrack : renforcement de la mesure de similarité et de la confiance détection pour un suivi amélioré d'objets multiples
La gestion des détections non fiables et l’évitement des commutations d’identité sont essentiels au succès du suivi d’objets multiples (MOT). Idéalement, un algorithme MOT ne devrait utiliser que des détections positives vraies, fonctionner en temps réel et ne produire aucune commutation d’identité. Pour s’approcher de cette solution idéale, nous présentons BoostTrack, une méthode simple mais efficace de suivi par détection (tracking-by-detection) qui intègre plusieurs améliorations légères et plug-and-play afin d’optimiser les performances du MOT. Nous proposons un score de confiance combinant détection et trajectoire (detection-tracklet confidence score), utilisé pour adapter la mesure de similarité et favoriser implicitement les paires de détections et de trajectoires à haute confiance dans une association à une étape. Pour réduire l’ambiguïté liée à l’utilisation du taux d’intersection sur union (IoU), nous introduisons une nouvelle distance de Mahalanobis ainsi qu’une mesure de similarité de forme afin d’améliorer globalement la mesure de similarité. Pour exploiter efficacement les boîtes englobantes à faible score de détection dans l’association à une étape, nous proposons d’augmenter les scores de confiance de deux groupes de détections : celles que nous supposons correspondre à des objets déjà suivis, et celles que nous supposons correspondre à des objets précédemment non détectés. Les améliorations proposées sont orthogonales aux approches existantes, et nous les combinons avec une interpolation et une compensation du mouvement de caméra pour atteindre des résultats comparables aux solutions standard du benchmark tout en conservant une vitesse d’exécution en temps réel. Lorsqu’elles sont couplées à la similarité d’apparence, nos méthodes surpassent toutes les solutions standard du benchmark sur les jeux de données MOT17 et MOT20. Elles obtiennent la première place parmi les méthodes en ligne selon le métrique HOTA dans le MOT Challenge sur les ensembles de test MOT17 et MOT20. Le code source est disponible à l’adresse suivante : https://github.com/vukasin-stanojevic/BoostTrack.