SMILEtrack：遮蔽を考慮した複数対象追跡のためのSiMIlarity LEarning

複数対象追跡（Multiple Object Tracking: MOT）分野では近年、多くの進展が見られたが、隠蔽（occlusions）、類似物体、複雑なシーンなどに起因する課題は依然として未解決のままである。一方で、代表的な「検出後に追跡（tracking-by-detection）」アーキテクチャにおけるコストと性能のトレードオフに関する体系的な研究は依然として不足している。本論文では、効率的な物体検出器と、シアメスネットワークに基づく類似度学習モジュール（Similarity Learning Module: SLM）を統合することで、これらの課題を効果的に克服する新規オブジェクト追跡手法「SMILEtrack」を提案する。SMILEtrackの技術的貢献は以下の2点に集約される。第一に、SDE（Separate Detection and Embedding）モデルにおける特徴記述子の限界を克服するため、2つのオブジェクト間の外観類似度を計算するSLMを提案する。このSLMは、視覚Transformer（Vision Transformer）に着想を得たPatch Self-Attention（PSA）ブロックを組み込み、高信頼性な特徴を生成し、正確な類似度マッチングを実現する。第二に、連続する動画フレーム間での堅牢なオブジェクトマッチングを実現するため、新規のGATE関数を備えたSimilarity Matching Cascade（SMC）モジュールを構築した。これらの革新により、SMILEtrackは、BYTETrackを含む複数の最先端ベンチマークにおいて、コスト（例：実行速度）と性能（例：追跡精度）のバランスを改善し、優れた性能を達成した。特にMOT17およびMOT20データセットにおいて、BYTETrackに対してMOTAで0.4～0.8ポイント、HOTAで2.1～2.2ポイントの向上を達成した。本研究のコードは、https://github.com/pingyang1117/SMILEtrack_Official にて公開されている。