초록
객체 탐지와 데이터 연관은 다중 객체 추적(MOT) 시스템에서 핵심적인 구성 요소이다. 두 모듈은 서로 의존적임에도 불구하고, 기존의 연구들은 탐지 모듈과 데이터 연관 모듈을 별도로 설계하고 각각 별도의 목적 함수로 학습하는 경우가 많았다. 그 결과, 전체 MOT 시스템을 엔드 투 엔드로 최적화할 수 없으며, 역전파를 통해 기울기를 전파할 수 없어 전반적인 성능이 최적화되지 못하는 문제가 발생한다. 이 문제를 해결하기 위해 최근 연구들은 통합 MOT 프레임워크 하에서 탐지 및 데이터 연관 모듈을 동시에 최적화하는 접근법을 제안하였으며, 이는 두 모듈 모두에서 성능 향상을 보여주었다. 본 연구에서는 그래프 신경망(GNN)을 기반으로 한 새로운 통합 MOT 접근법을 제안한다. 핵심 아이디어는 GNN이 공간적 및 시간적 영역에서 크기가 변하는 객체 간의 관계를 효과적으로 모델링할 수 있다는 점이며, 이는 탐지 및 데이터 연관을 위한 구분 가능한 특징을 학습하는 데 필수적이다. MOT15/16/17/20 데이터셋을 대상으로 실시한 광범위한 실험을 통해, 제안하는 GNN 기반의 통합 MOT 접근법이 효과적임을 입증하였으며, 탐지 및 MOT 작업 모두에서 최신 기술 수준의 성능을 달성하였다. 본 연구의 코드는 다음 주소에서 확인할 수 있다: https://github.com/yongxinw/GSDT