FairMOT: 다중 객체 추적에서 탐지와 재식별의 공정성에 관하여

다중 객체 추적(Multi-object tracking, MOT)은 컴퓨터 비전 분야에서 중요한 문제이며, 다양한 응용 분야에서 활용된다. 단일 네트워크 내에서 객체 탐지와 재식별(re-ID)을 다중 작업 학습(multi-task learning)으로 설정하는 방식은 두 작업을 공동 최적화할 수 있고, 높은 계산 효율성을 제공하기 때문에 매력적인 접근법이다. 그러나 본 연구에서는 두 작업 간에 상호 경쟁 관계가 발생함을 발견하였으며, 이는 신중하게 다뤄져야 할 문제이다. 특히 기존의 많은 연구들은 re-ID를 보조적인 작업으로 간주하여, 주된 탐지 작업에 의해 그 정확도가 크게 영향을 받는다는 점을 지적할 수 있다. 이로 인해 네트워크는 탐지 작업에 편향되며, re-ID 작업에 대해 공정하지 않은 상황이 발생한다. 이러한 문제를 해결하기 위해, 우리는 앵커리스 객체 탐지 아키텍처인 CenterNet 기반의 간단하면서도 효과적인 접근법인 FairMOT을 제안한다. 단순히 CenterNet과 re-ID를 단순히 결합한 것이 아니라, 철저한 실험적 연구를 통해 얻은 다양한 세부 설계 요소들을 도입함으로써 우수한 추적 성능을 달성할 수 있도록 하였다. 제안된 방법은 탐지와 추적 모두 높은 정확도를 달성하였으며, 여러 공개 데이터셋에서 최신 기술 대비 상당한 성능 향상을 보였다. 소스 코드와 사전 학습 모델은 https://github.com/ifzhang/FairMOT 에 공개되어 있다.