カルマンフィルタを超えて：オブジェクト追跡の精度向上を目的としたディープラーニングベースのフィルタ

従来の検出に基づくトラッキングシステムでは、状態推定に通常カルマンフィルタ（KF）が用いられる。しかし、KFはドメイン特有の設計選択を必要とし、非線形な運動パターンの処理には不向きである。こうした制約を克服するため、本研究では2つの革新的なデータ駆動型フィルタリング手法を提案する。第一の手法は、学習可能な運動モデルを備えたベイズフィルタを用い、物体の将来位置を予測するとともに、物体検出器から得られる観測値と組み合わせることで、バウンディングボックスの予測精度を向上させる。さらに、KFに特徴的な多くのドメイン特有の設計選択を不要にする。第二の手法は、エンドツーエンドで学習可能なフィルタであり、検出器の誤差を自動的に補正する能力を学習することで、さらにドメイン知識の必要性を低減する。また、提案するフィルタリング手法と組み合わせ可能な、再帰型ニューラルネットワーク（RNN）、ニューラル常微分方程式（Neural ODE）、条件付きニューラルプロセス（Conditional Neural Processes）に基づく複数の運動モデルアーキテクチャを導入する。複数のデータセットにおける広範な評価結果から、特に非線形運動パターンのケースにおいて、従来のKFを上回る性能を示した。これは、本研究のフィルタが最も適しているユースケースである。さらに、ノイズ耐性に関する分析も実施し、明確な良好な結果を得た。また、観測値とトラックを関連付けるための新たなコスト関数を提案する。この新しい関連コストを組み込んだ本研究のトラッカーは、運動が豊富なDanceTrackおよびSportsMOTデータセットにおいて、複数の評価指標で従来のSORT法や他の運動ベースのトラッカーを上回る性能を発揮した。