Strong-TransCenter: Transformerを用いた密な表現に基づく改善された多目的追跡

近年、トランスフォーマー・ネットワークは多くの分野で研究の焦点となっています。異なるコンピュータビジョンのタスクにおいて最先端の性能を上回ることができることから、その注目度が高まっています。しかし、マルチオブジェクト追跡（MOT）のタスクでは、トランスフォーマーの力を活用する研究はまだ比較的少ないのが現状です。この領域における先駆的な取り組みの一つとして、TransCenterがあります。これは、密集したオブジェクトクエリを持つトランスフォーマーベースのMOTアーキテクチャであり、優れた追跡能力を示しながらも実用的な実行時間を維持しています。しかしながら、MOTにおいて重要な側面の一つであるトラック位置移動推定には改善の余地があり、関連付けエラーをさらに削減する可能性があります。本論文では、この課題に応えるためTransCenterに対する新たな改良を提案します。我々は検出による追跡（Track-by-Detection）パラダイムに基づく後処理メカニズムを導入し、トラック位置移動推定を精緻化することを目指しています。具体的には、トランスフォーマーの出力を測定誤差推定に組み込むように設計されたカルマンフィルターと、目標再識別のために使用される埋め込みネットワークを統合する手法を提案します。この複合戦略により、追跡プロセスの精度と堅牢性が大幅に向上します。我々はMOTChallengeデータセットのMOT17およびMOT20において包括的な実験を行い、提案手法が他のトランスフォーマーベースの追跡器よりも優れていることを確認しました。本論文で紹介したコードは公開されており、以下のURLからアクセスできます: https://github.com/amitgalor18/STC_Tracker