스포츠에서 다중 객체 추적을 위한 반복적 스케일업 확장 IoU 및 딥 특징 연관성

딥러닝 기반의 객체 탐지기들은 다중 객체 추적 알고리즘에서 중요한 진전을 이끌어냈다. 그러나 현재의 추적 기법은 주로 보행자나 차량과 같은 간단하고 규칙적인 운동 패턴에 집중하고 있다. 이로 인해 비선형적이며 불규칙한 운동을 하는 대상, 예를 들어 운동선수와 같은 경우에 대한 추적 알고리즘의 공백이 발생한다. 또한 최근 추적 알고리즘에서 널리 사용되는 칼만 필터는 객체의 운동이 선형 가정을 따르지 않을 경우 성능이 크게 저하된다. 이러한 문제를 해결하기 위해, 우리는 스포츠 시나리오에서의 다중 객체 추적에 특화된 새로운 온라인且 강건한 다중 객체 추적 방법인 Deep ExpansionIoU(Deep-EIoU)를 제안한다. 기존의 방법들과 달리, 칼만 필터를 사용하지 않고 반복적인 스케일 확장 방식의 ExpansionIoU와 딥 특징을 활용하여 스포츠 환경에서의 강건한 추적을 실현한다. 이 방법은 보다 강력한 탐지기 도입 없이도 온라인 추적 방식을 유지하면서 뛰어난 추적 성능을 달성한다. 제안된 방법은 비정형 운동을 하는 객체의 추적에 뛰어난 효과를 보이며, SportsMOT 데이터셋에서 77.2%의 HOTA 점수, SoccerNet-Tracking 데이터셋에서는 85.4%의 HOTA 점수를 기록했다. 다양한 대규모 다중 객체 추적 벤치마크에서 이전의 최고 성능을 기록한 추적기들을 모두 상회하며, 다양한 스포츠 시나리오를 커버하는 우수한 성능을 입증했다. 코드와 모델은 https://github.com/hsiangwei0903/Deep-EIoU 에서 공개되어 있다.