야생에서 모든 것을 추적하기

현재의 다중 카테고리 다객체 추적(Multi-category Multiple Object Tracking, MOT) 평가 지표는 클래스 레이블을 사용하여 추적 결과를 각 클래스별로 그룹화하여 평가한다. 마찬가지로, MOT 방법들도 일반적으로 동일한 클래스 예측을 가진 객체들 간에만 연관성을 설정한다. 이러한 두 가지 보편적인 전략은 분류 성능이 거의 완벽하다는 암묵적인 가정을 내포하고 있다. 그러나 최근의 대규모 MOT 데이터셋은 수많은 클래스를 포함하며, 희귀하거나 의미적으로 유사한 카테고리가 많아 이와 같은 가정은 사실과 거리가 멀다. 따라서 정확하지 않은 분류 성능은 최적의 추적 성능을 저해하고 추적기의 적절한 벤치마킹을 어렵게 만든다. 본 연구는 분류와 추적을 분리함으로써 이러한 문제를 해결한다. 새로운 평가 지표인 Track Every Thing Accuracy(TETA)를 제안하며, 추적 성능을 정밀도, 연관성, 분류의 세 가지 하위 요인으로 분해함으로써 분류 성능이 불완전한 환경에서도 종합적인 추적 성능 평가가 가능하도록 한다. TETA는 대규모 추적 데이터셋에서 흔히 발생하는 불완전한 어노테이션 문제에도 효과적으로 대응한다. 또한, Class Exemplar Matching(CEM)을 활용하여 연관성을 수행하는 Track Every Thing tracker(TETer)를 제안한다. 실험 결과, TETA는 추적기 평가를 더 포괄적으로 수행하며, 최첨단 기법 대비 BDD100K와 TAO와 같은 도전적인 대규모 데이터셋에서 TETer가 상당한 성능 향상을 달성함을 입증하였다.