고성능 메타업데이터를 활용한 장기 추적

장기적 시각 추적은 단기 추적보다 실제 응용에 더 가까우므로 점점 더 많은 주목을 받고 있다. 대부분의 상위 순위를 기록한 장기 추적기는 오프라인 학습된 시아모이즈(Siamese) 아키텍처를 채택하고 있어, 온라인 업데이트 기능을 갖춘 단기 추적기의 빠른 발전을 활용할 수 없다. 그러나 장기적 관측에서 불확실성과 노이즈가 심하기 때문에, 단순히 온라인 업데이트 기반 추적기를 장기 추적 문제에 직접 도입하는 것은 매우 위험하다. 본 연구에서는 이 중요한 해결되지 않은 문제에 대응하기 위해, "현재 프레임에서 추적기가 업데이트 가능한가?"를 판단하는 새로운 오프라인 학습된 메타업데이터(Meta-Updater)를 제안한다. 제안된 메타업데이터는 기하학적, 구분 능력 및 외형 특징을 순차적으로 효과적으로 통합하고, 설계된 계단형(LSTM) 모듈을 통해 순차적 정보를 탐색한다. 이 메타업데이터는 추적기의 업데이트를 안내하기 위한 이진 출력을 학습할 수 있으며, 다양한 추적기 구조에 쉽게 통합될 수 있다. 본 연구는 온라인 로컬 추적기, 온라인 검증기, SiamRPN 기반 재탐지기 및 본 메타업데이터로 구성된 장기 추적 프레임워크를 제안한다. VOT2018LT, VOT2019LT, OxUvALT, TLP, LaSOT 등의 벤치마크에서 실시한 다수의 실험 결과는 제안한 추적기가 다른 경쟁 알고리즘보다 뛰어난 성능을 보임을 보여준다. 본 연구의 프로젝트는 다음 웹사이트에서 공개되어 있다: https://github.com/Daikenan/LTMU.