接続性の活用：TrackletNetを用いた多物体追跡

多目的追跡（MOT）は、監視システムや自動運転、ロボットビジョンなどの移動カメラ応用に関連する重要な実践的な課題です。しかし、信頼性の低い検出、遮蔽、および高速なカメラの動きにより、追跡対象が容易に失われることがあり、これがMOTを非常に困難なものにしています。最近の多くの研究では、追跡を再識別（Re-ID）タスクとして扱っていますが、外観と時間的特徴をどのように組み合わせるかについてはまだ十分に対処されていません。本論文では、時間的情報と外観情報を統一的なフレームワークで組み合わせた革新的かつ効果的な追跡手法であるTrackletNet Tracker（TNT）を提案します。まず、各トラックレットを頂点として扱うグラフモデルを定義します。トラックレットは、CNN特徴量による外観類似度とエピポーラ制約による交差率（IOU）を使用して生成され、隣接するフレーム間のカメラの動きを補正します。次に、2つのトラックレットのペアごとに、我々が設計したマルチスケールTrackletNetによって類似度が測定されます。その後、トラックレットは個々の物体IDを表すグループにクラスタリングされます。我々が提案するTNTは、MOTにおけるほとんどの課題に対処する能力を持ち、他の最先端手法と比較してMOT16およびMOT17ベンチマークデータセットにおいて有望な結果を達成しています。