深層多目的追跡システムの訓練方法

最近のビジョンベースの多目的追跡（MOT）の傾向は、深層学習の表現力を活用して物体検出と追跡を同時に学習することに向かっています。しかし、既存の手法では、多くの場合、確立された追跡評価指標である多目的追跡精度（MOTA）や精度（MOTP）と相関しない損失関数を使用して特定のサブモジュールのみが訓練されています。これらの指標は微分不可能であるため、多目的追跡手法のエンドツーエンド訓練に適した損失関数を選択する問題は依然として未解決の研究課題となっています。本論文では、このギャップを埋めるために、MOTAおよびMOTPの微分可能な代理指標を提案し、それらを組み合わせて深層多目的追跡器のエンドツーエンド訓練に適した損失関数を作成します。重要な要素として、ハンガリアンマッチングアルゴリズムを近似するディープハンガリアンネット（Deep Hungarian Net: DHN）モジュールを提案します。DHNは物体トラックと真値物体間の対応関係を推定し、MOTAおよびMOTPの微分可能な代理指標を計算することで、深層追跡器を直接最適化するために使用されます。実験結果から、提案された微分可能なフレームワークが既存の多目的追跡器の性能向上に寄与することを示し、MOTChallengeベンチマークにおいて新たな最先端成果を達成しました。当社のコードは公開されており、https://github.com/yihongXU/deepMOT から入手可能です。