초록
시각 추적은 영상 프레임마다 대상의 상태를 회귀하는 기본적인 문제이다. 최근 상당한 진전이 있었지만, 추적기는 여전히 오류와 정확도 부족에 취약하다. 따라서 대상 추정의 불확실성을 적절히 표현하는 것은 매우 중요하다. 현재 주목받는 많은 추적 기법들은 상태에 따라 의존하는 신뢰도 점수를 추정하는 방식을 사용하지만, 이 값은 명확한 확률적 해석을 갖추고 있지 않아 활용에 어려움이 있다.본 연구에서는 확률적 회귀 설정을 제안하고 이를 추적에 적용한다. 제안하는 네트워크는 입력 이미지에 기반하여 대상 상태의 조건부 확률 밀도를 예측한다. 핵심적으로, 본 설정은 정확한 레이블이 부족한 데이터나 작업 자체의 모호성에서 비롯된 레이블 노이즈를 효과적으로 모델링할 수 있다. 회귀 네트워크는 클로스비-레일러(Kullback-Leibler) 발산을 최소화하는 방식으로 학습된다. 추적에 적용했을 때, 본 설정은 출력에 대한 확률적 표현을 가능하게 할 뿐만 아니라 성능을 크게 향상시킨다. 제안한 추적기는 6개의 데이터셋에서 새로운 최고 성능을 기록하였으며, LaSOT에서 59.8%의 AUC, TrackingNet에서 75.8%의 성공률(Success)을 달성하였다. 코드와 모델은 https://github.com/visionml/pytracking 에 공개되어 있다.