초록
기준 박스 기반의 사이모이즈 추적기는 정확도 측면에서 놀라운 성과를 달성했지만, 추적의 강건성 향상이 지연되면서 더 이상의 성능 향상이 제한되고 있다. 본 연구에서는 그 근본적인 원인이 기준 박스 기반 방법에서 회귀 네트워크가 오직 양성 기준 박스(즉, IoU ≥ 0.6)에 대해서만 훈련되기 때문임을 발견하였다. 이 구조는 타겟 객체와 겹치는 부분이 작은 기준 박스를 정교화하기 어렵게 만든다. 본 논문에서는 이러한 문제를 해결하기 위해 새로운 객체 인지형 기준 박스 없는 네트워크를 제안한다. 첫째, 기준 박스를 정교화하는 대신, 객체의 위치와 크기를 기준 박스 없이 직접 예측한다. 각 정답 박스 내의 픽셀들이 잘 훈련되어 있기 때문에, 추론 과정에서 객체 예측이 정확하지 않은 경우에도 추적기가 이를 보정할 수 있다. 둘째, 예측된 바운딩 박스로부터 객체 인지 특징을 학습할 수 있는 특징 정렬 모듈을 도입한다. 이 객체 인지 특징은 타겟 객체와 배경을 구분하는 분류 작업에 추가로 기여한다. 또한, 기준 박스 없는 모델 기반의 새로운 추적 프레임워크를 제안한다. 실험 결과, 제안한 기준 박스 없는 추적기는 VOT-2018, VOT-2019, OTB-100, GOT-10k, LaSOT 등 다섯 가지 벤치마크에서 최신 기술 수준(SOTA)의 성능을 달성하였다. 소스 코드는 https://github.com/researchmm/TracKit 에 공개되어 있다.