13일 전

다중 객체 추적에서 탐지와 ReID 간의 경쟁 관계 재고

Chao Liang, Zhipeng Zhang, Xue Zhou, Bing Li, Shuyuan Zhu, Weiming Hu
다중 객체 추적에서 탐지와 ReID 간의 경쟁 관계 재고
초록

균형 잡힌 정확도와 속도를 갖추고 있어, 감지 및 식별 임베딩을 동시에 학습하는 일회성 모델(one-shot models)은 다객체 추적(Multi-Object Tracking, MOT) 분야에서 큰 주목을 받고 있다. 그러나 일회성 추적 파라다임에서 감지(detection)와 재식별(Re-identification, ReID)을 두 개의 독립된 작업으로 간주함에 따라, 이 두 작업 간의 본질적인 차이점과 관계가 무의식적으로 간과되고 있다. 이로 인해 기존의 이단계(두 단계) 방법에 비해 성능이 떨어지는 문제가 발생한다. 본 논문에서는 먼저 이 두 작업에 대한 추론 과정을 체계적으로 분석함으로써, 두 작업 간의 경쟁 구조가 작업에 따라 특화된 표현 학습을 필연적으로 해치게 된다는 사실을 밝혀냈다. 이를 해결하기 위해, 각 브랜치가 더 나은 작업에 특화된 표현을 학습할 수 있도록 자기 관계(self-relation)와 교차 관계(cross-relation)를 설계한 새로운 상호작용 네트워크(Reciprocal ENtity Network, REN)를 제안한다. 제안된 모델은 작업 간 부정적인 경쟁을 완화하면서도 감지와 ReID 간의 협업을 강화하는 것을 목표로 한다. 더불어, ID 임베딩의 연관성 향상을 위해 의미 수준의 일치 오류를 방지하는 스케일 인지 주의망(Scale-Aware Attention Network, SAAN)을 도입한다. 이 두 가지 정교하게 설계된 네트워크를 일회성 온라인 MOT 시스템에 통합함으로써, 강력한 MOT 추적기인 CSTrack를 구축하였다. 제안된 추적기(CSTrack)는 MOT16, MOT17, MOT20 데이터셋에서 다른 복잡한 기법 없이도 최신 기술 수준(SOTA)의 성능을 달성하였다. 또한 CSTrack는 효율적이며, 단일 현대 GPU에서 16.4 FPS로 실행되며, 경량 버전은 34.6 FPS로 동작한다. 전체 코드는 https://github.com/JudasDie/SOTS 에 공개되어 있다.

다중 객체 추적에서 탐지와 ReID 간의 경쟁 관계 재고 | 최신 연구 논문 | HyperAI초신경