실시간 다중 사람 추적을 위한 깊게 학습된 후보 선택 및 사람 재식별

온라인 다중 객체 추적은 시간이 중요한 비디오 분석 응용 프로그램에서 기본적인 문제입니다. 인기 있는 검출 기반 추적(framework)의 주요 과제는 불안정한 검출 결과를 기존 추적 경로와 어떻게 연관시키는가입니다. 본 논문에서는 검출과 추적의 출력으로부터 후보들을 수집하여 불안정한 검출을 처리하는 방법을 제안합니다. 중복 후보 생성의 직관적인 아이디어는 검출과 추적이 서로 다른 상황에서 서로 보완할 수 있다는 것입니다. 높은 신뢰도를 가진 검출 결과는 장기적으로 추적 편차를 방지하고, 추적 경로의 예측은 가림(occlusion)으로 인한 노이즈 검출을 처리할 수 있습니다. 실시간으로 많은 후보들로부터 최적 선택을 하기 위해, 우리는 전체 이미지에 대한 대부분의 계산을 공유하는 완전히 합성곱 신경망(fully convolutional neural network) 기반의 새로운 점수 함수(scoring function)를 제시합니다. 또한, 대규모 사람 재식별(person re-identification) 데이터셋에서 학습된 깊게 학습된 외양 표현(appearance representation)을 채택하여 추적기의 식별 능력을 개선하였습니다. 광범위한 실험 결과, 우리의 추적기는 널리 사용되는 사람 추적 벤치마크에서 실시간 및 최신 성능(state-of-the-art performance)을 달성함을 보여주었습니다.