高性能な長期追跡におけるメタアップデーターの活用

長期的な視覚追跡は、短期追跡よりも実用応用に近いため、近年注目を集めている。多くのトップランクの長期追跡手法は、オフライン学習済みのシアメーズアーキテクチャを採用しているが、その結果、オンライン更新を可能とする短期追跡手法の著しい進展を活かすことができない。一方で、長期的な観測が不確実かつノイズを含むため、単純にオンライン更新ベースの追跡器を長期追跡問題に直接導入することはリスクが非常に高い。本研究では、長期追跡における重要な未解決課題である「現在のフレームで追跡器の更新が適切かどうか」を判断するため、新しいオフライン学習型のメタアップデータ（Meta-Updater）を提案する。本手法は、幾何学的特徴、識別的特徴、外見的特徴を順次的に統合し、設計された段階的LSTMモジュールを用いて時系列情報を効果的に抽出する。このメタアップデータは、追跡器の更新をガイドする二値出力を学習可能であり、さまざまな追跡器に容易に統合できる。また、本研究では、オンラインローカル追跡器、オンライン検証器、SiamRPNに基づく再検出器、および本手法のメタアップデータから構成される長期追跡フレームワークを提案する。VOT2018LT、VOT2019LT、OxUvALT、TLP、LaSOTの各ベンチマーク上で実施された多数の実験結果から、本追跡器が他の競合手法と比べて顕著に優れた性能を発揮することが確認された。本研究のプロジェクトは、以下のウェブサイトで公開されている：https://github.com/Daikenan/LTMU。