要約
本論文では、複数目標追跡問題の2つの主要な側面に焦点を当てます。1) 検出間の関連付けのために正確な親和性測定を設計すること、2) 効率的かつ正確な（近似）オンライン複数目標追跡アルゴリズムを実装することです。最初の貢献として、時間的に離れた検出対の相対的な運動パターンを長期的な興味点軌道（IPTs）を使用して符号化する新しい集約局所フロー記述子（Aggregated Local Flow Descriptor: ALFD）を導入します。IPTs を活用することで、ALFD はアプリケーションシナリオに関係なく検出のマッチング確率を推定する堅牢な親和性測定を提供します。別の貢献として、近似オンライン多目標追跡（Near-Online Multi-target Tracking: NOMT）アルゴリズムを提示します。追跡問題は、各フレームで反復的に実行される時間窓内の目標と検出間のデータ関連付けとして定式化されます。効率的な一方で、NOMT は ALFD 計量、目標動態、外観類似性、および長期軌道正則化などの複数のヒントをモデルに統合することで堅牢性を達成します。我々の分解能分析は、他の従来の親和性計量に対して ALFD 計量が優れていることを確認しています。2つの挑戦的な追跡データセットである KITTI および MOT データセットで包括的な実験評価を行いました。ALFD 計量と組み合わせた NOMT 法は、両方のデータセットにおいて大幅な差異（約10%高い MOTA）で最先端技術を超える最高精度を達成しました。