학습 대상 후보 연관성을 통한 추적 대상에서 제외할 것들을 추적하는 방법

관찰 대상과 유사하게 혼란스러운 형태를 가진 물체의 존재는 외형 기반 시각 추적에서 근본적인 도전 과제를 제기한다. 이러한 방해 물체는 대상 자체로 잘못 분류되기 쉬우며, 결국 추적 실패로 이어진다. 대부분의 기존 방법들은 더 강력한 외형 모델을 통해 방해 물체를 억제하려는 노력을 기울이고 있으나, 우리는 대안적인 접근을 제안한다.우리는 대상 추적을 지속하기 위해 방해 물체 자체를 추적하도록 하는 것이다. 이를 위해 프레임 간에 모든 대상 후보의 정체성을 전파할 수 있도록 학습된 연관성 네트워크를 도입한다. 시각 추적에서 방해 물체 간의 참값 대응 정보가 부족한 문제를 해결하기 위해, 부분적 레이블링과 자기지도 학습(self-supervision)을 결합한 학습 전략을 제안한다. 우리는 여러 도전적인 데이터셋에서 제안한 방법에 대해 종합적인 실험적 검증과 분석을 수행하였다. 실험 결과, 우리 추적기는 여섯 개의 벤치마크에서 새로운 최고 성능을 기록하였으며, LaSOT 데이터셋에서 AUC 점수 67.1%를 달성했고, OxUvA 장기 추적 데이터셋에서는 +5.8%의 절대적 성능 향상을 이뤘다.