要約
長時間の動画における物体の追跡を効果的に行うには、視認可能な物体に対する短期間の関連付けから、遮蔽された後に再出現する物体に対する長期的な関連付けに至るまで、多様な問題を解決する必要がある。これらの二つのタスクに取り組む手法はしばしば分離されており、特定のシナリオに特化して設計されており、最先端のアプローチはしばしば複数の技術を組み合わせたハイブリッド型のものとなる。このようなアプローチはエンジニアリング負荷が高く、一般性に欠ける傾向がある。本研究では、こうしたハイブリッドアプローチの必要性を問い直し、一貫性がありスケーラブルな多対象追跡手法であるSUSHIを提案する。本手法は長時間の映像を階層的なサブクリップに分割して処理することで、高いスケーラビリティを実現する。また、グラフニューラルネットワークを階層のすべてのレベルで活用することで、時間スケールにわたる一貫性のあるモデル構造を実現し、高い汎用性を達成している。その結果、4つの多様なデータセットにおいて、既存の最先端手法を大幅に上回る性能を達成した。本研究のコードおよびモデルは、bit.ly/sushi-mot にて公開されている。