要約
マルチオブジェクト追跡（Multiple Object Tracking: MOT）における現在のアプローチは、連続するフレーム間の検出結果の空間的・時間的整合性とオブジェクトの外観情報を組み合わせて、オブジェクトを対応付けることに依存している。本研究では、動画内のオブジェクト間の関連付けにおいて、オブジェクトの外観を主な情報源とし、空間的および時間的事前知識（prior）を重み付け因子として用いるMOT手法を提案する。我々は、時間的に近い同一オブジェクトのインスタンスは外観的に類似しているという仮定に基づき、初期のトラックレット（tracklet）を構築し、その後、階層的な手法によりこれらのトラックレットを統合して最終的なオブジェクト軌跡を生成する。広範な実験を通じて、MOT17、MOT20、DanceTrackの3つの異なるMOTベンチマークにおいて、本手法の有効性を検証した。その結果、MOT17およびMOT20では競争力のある性能を達成し、DanceTrackでは最先端（state-of-the-art）の結果を確立した。