트래킹-바이-트래커스: 정제되고 강화된 모델을 활용한 방법

시각적 객체 추적은 일반적으로 빠른 처리 알고리즘, 정확한 온라인 적응 방법, 추적기의 융합에 대해 독립적으로 추론하는 방식으로 접근되어 왔다. 본 논문에서는 다른 시각 추적기(오프라인 및 온라인)의 장점을 활용하는 새로운 추적 방법론을 제안함으로써 이러한 목표들을 통합한다. 제안하는 방법은 지식 증류(Knowledge Distillation)와 강화 학습(Reinforcement Learning)의 결합을 통해 작고 효율적인 학생 모델(Compact Student Model)을 학습한다. 첫 번째 기법은 다른 추적기들의 추적 지식을 전이하고 압축하는 데 기여하며, 두 번째 기법은 온라인에서 활용할 수 있는 평가 지표를 학습하게 한다. 학습이 완료된 후, 학생 모델은 (i) 매우 빠른 단일 스텝 추적기, (ii) 간단하면서도 효과적인 온라인 적응 메커니즘을 갖춘 추적기, (iii) 다른 추적기들의 융합을 수행하는 추적기로 활용될 수 있다. 광범위한 실험 결과는 제안된 알고리즘이 실시간 최신 기술 수준의 추적기들과 경쟁할 수 있음을 보여준다.