다중 객체 추적을 위한 준밀도 유사성 학습

유사성 학습은 객체 추적의 중요한 단계로 인식되고 있습니다. 그러나 기존의 다중 객체 추적 방법들은 희소한 정답 매칭을 훈련 목표로 사용하면서 이미지에서 정보가 많은 대부분의 영역들을 무시하고 있습니다. 본 논문에서는 대조 학습을 위해 이미지 쌍에서 수백 개의 영역 제안을 밀도 높게 샘플링하는 준밀집 유사성 학습(Quasi-Dense Similarity Learning)을 제시합니다. 이 유사성 학습을 기존의 검출 방법과 직접 결합하여 변위 회귀나 운동 사전 정보에 의존하지 않고 준밀집 추적(Quasi-Dense Tracking, QDTrack) 시스템을 구축할 수 있습니다. 또한, 결과적으로 얻어진 고유한 특징 공간이 추론 시 간단한 최근접 이웃 검색을 허용함을 발견했습니다. 그 간단함에도 불구하고, QDTrack는 MOT, BDD100K, Waymo, 그리고 TAO 추적 벤치마크에서 모든 기존 방법들을 능가합니다. 외부 훈련 데이터를 사용하지 않은 MOT17에서 20.3 FPS로 68.7 MOTA를 달성하였으며, 비슷한 검출기를 사용하는 방법들과 비교했을 때 BDD100K와 Waymo 데이터셋에서 거의 10 포인트의 MOTA를 향상시키고 ID 스위치 횟수를 크게 줄였습니다. 우리의 코드와 학습된 모델은 http://vis.xyz/pub/qdtrack 에서 제공됩니다.