要約
多対象追跡（Multi-Object Tracking, MOT）システムにおけるオブジェクト検出とデータ連携は、極めて重要な構成要素である。これらの2つのモジュールは互いに依存関係にありながらも、従来の研究ではそれぞれ別々に設計され、独立した目的関数に基づいて訓練されてきた。その結果、全体のMOTシステムに対して勾配の逆伝播が行えず、最適化が困難となるため、性能が最適化されていない状態に陥っていた。この問題に対処するため、最近の研究では、統合的なMOTフレームワークの下で検出とデータ連携モジュールを同時に最適化するアプローチが提案され、両モジュールの性能向上が実証されている。本研究では、グラフニューラルネットワーク（Graph Neural Networks, GNN）を活用した新たな統合MOTアプローチを提案する。本手法の核心は、GNNが空間的・時系列的領域におけるサイズが可変なオブジェクト間の関係性を効果的にモデル化できることであり、これは検出およびデータ連携に必要な識別的特徴の学習にとって不可欠である。MOT15/16/17/20データセットを用いた広範な実験を通じて、本研究で提案するGNNベースの統合MOTアプローチの有効性を検証し、検出およびMOTタスクにおいて、最新の性能を達成することを示した。本研究のコードは以下のURLから公開されている：https://github.com/yongxinw/GSDT