Deep HM-SORT: 스포츠에서의 다중 객체 추적을 위한 깊은 특성, 조화 평균, 및 확장 IOU

이 논문에서는 스포츠 시나리오에서 선수 추적을 향상시키기 위해 특별히 설계된 새로운 온라인 다중 객체 추적 알고리즘인 Deep HM-SORT를 소개합니다. 전통적인 다중 객체 추적 방법은 선수들의 유사한 외모, 불규칙하고 예측할 수 없는 움직임, 그리고 카메라의 큰 움직임으로 인해 스포츠 환경에서 종종 어려움을 겪습니다. Deep HM-SORT는 이러한 문제를 해결하기 위해 딥 피처, 조화 평균, 그리고 확장 IOU(Expansion IOU)를 통합하여 대응합니다. 조화 평균을 활용함으로써 본 방법은 외모와 움직임 신호를 효과적으로 균형 잡아 ID 스왑을大幅减少。此外，我们的方法无限期保留所有轨迹片段，提高了离开并重新进入画面的球员的再识别能力。实验结果表明，Deep HM-SORT在两个大规模公开基准数据集SportsMOT和SoccerNet Tracking Challenge 2023上实现了最先进的性能。具体而言，本方法在SportsMOT数据集上达到了80.1 HOTA，在SoccerNet-Tracking数据集上达到了85.4 HOTA，关键指标如HOTA、IDF1、AssA和MOTA均优于现有追踪器。这一稳健的解决方案为自动体育分析提供了更高的准确性和可靠性，显著改进了先前的方法，而无需增加额外的计算成本。为了确保翻译的一致性和准确性，以下是修正后的韩文翻译：이 논문에서는 스포츠 시나리오에서 선수 추적을 향상시키기 위해 특별히 설계된 새로운 온라인 다중 객체 추적 알고리즘인 Deep HM-SORT를 소개합니다. 전통적인 다중 객체 추적 방법은 선수들의 유사한 외모, 불규칙하고 예측할 수 없는 움직임, 그리고 카메라의 큰 움직임으로 인해 스포츠 환경에서 종종 어려움을 겪습니다. Deep HM-SORT는 이러한 문제를 해결하기 위해 딥 피처, 조화 평균, 그리고 확장 IOU(Expansion IOU)를 통합하여 대응합니다. 조화 평균을 활용함으로써 본 방법은 외모와 움직임 신호를 효과적으로 균형 잡아 ID 스왑(ID swaps)을 크게 줄입니다. 또한, 본 접근 방식은 모든 트래클릿(tracklets)을 무기한 보관하여 화면에서 나갔다가 다시 들어오는 선수의 재식별(re-identification) 능력을 개선합니다. 실험 결과는 Deep HM-SORT가 두 개의 대규모 공개 벤치마크 데이터셋인 SportsMOT와 SoccerNet Tracking Challenge 2023에서 최고 수준의 성능을 달성함을 입증합니다. 구체적으로, 본 방법은 SportsMOT 데이터셋에서 80.1 HOTA, SoccerNet-Tracking 데이터셋에서 85.4 HOTA를 기록하며, HOTA, IDF1, AssA 및 MOTA와 같은 주요 지표에서 기존 추적기보다 우수한 성능을 보였습니다. 이 강건한 솔루션은 추가적인 계산 비용 없이 자동 스포츠 분석에 더 높은 정확성과 신뢰성을 제공하며, 이전 방법들에 비해 상당한 개선점을 제시합니다.