온라인 다중 객체 추적을 위한 비지도 재식별 학습 및 가림 추정

다른 객체 간의 가림(Occlusion)은 다중 객체 추적(Multi-Object Tracking, MOT)에서 전형적인 도전 과제로, 감지되지 않은 객체들로 인해 추적 결과가 저하되는 경우가 많습니다. 다중 객체 추적에서 일반적으로 사용되는 방법은 객체들이 다시 나타난 후에 미처 감지하지 못한 객체들을 재식별(re-identification)하는 것입니다. 재식별을 통해 추적 성능이 향상될 수 있지만, 모델을 학습시키기 위해서는 정체성(annotation of identity) 정보가 필요합니다. 또한, 이러한 재식별 방법으로도 검출기(detector)가 놓친 높은 가림 상태의 객체들을 추적하는 것은 여전히 어려울 수 있습니다. 본 논문에서는 온라인 다중 객체 추적에 초점을 맞추고, 이러한 문제를 해결하기 위해 비지도 재식별 학습 모듈(unsupervised re-identification learning module)과 가림 예측 모듈(occlusion estimation module)이라는 두 가지 새로운 모듈을 설계하였습니다. 특히, 제안된 비지도 재식별 학습 모듈은 어떠한 (가짜) 정체성 정보도 필요하지 않으며, 확장성(scalability issue) 문제에도 영향을 받지 않습니다. 제안된 가림 예측 모듈은 가림이 발생할 위치를 예측하여, 검출기에 의해 놓친 객체들의 위치를 추정하는데 사용됩니다. 본 연구에서는 제안된 비지도 재식별 학습 방법이 최신 MOT 기법들에 적용될 때 지도 재식별 학습과 유사한 성능을 보임을 확인하였으며, 제안된 가림 예측 모듈 덕분에 추적 성능이 더욱 향상됨을 보여주었습니다.