재식별(Re-Identification, ReID) 특징을 추출하고 매칭하는 방식은 최신의 정상적 다중 객체 추적(Multiple Object Tracking, MOT) 방법들에서 널리 사용되며, 특히 자주 발생하고 장시간 지속되는 가림 현상에 효과적이다. 최근 연구의 주요 초점은 엔드투엔드 객체 탐지 및 추적 방식이지만, MOT17 및 MOT20과 같은 기준 평가 데이터셋에서는 여전히 전통적인 방법들을 능가하지 못하고 있다. 따라서 실용적 관점에서 볼 때, 탐지와 임베딩을 별도로 처리하는 방법은 정확도, 모듈성, 구현 용이성 측면에서 여전히 최선의 선택이다. 다만 이러한 방법은 특징 추출에 따른 부가 부담으로 인해 엣지 장치에서는 실용성이 낮다. 본 논문에서는 정확도, 모듈성, 구현 용이성을 유지하면서 특징 추출의 부담을 최소화하기 위한 선택적 접근법을 탐구한다. 이 접근법은 다양한 최신 SOTA(최고 성능) 방법에 쉽게 통합할 수 있으며, StrongSORT 및 Deep OC-SORT에 적용하여 그 효과를 검증하였다. MOT17, MOT20, DanceTrack 데이터셋에서의 실험 결과, 본 메커니즘은 가림 상황에서도 특징 추출의 장점을 유지하면서 실행 시간을 크게 절감함을 보였다. 또한, 변형과 외형 유사성 등이 자주 발생하는 DanceTrack과 같은 환경에서 특징 매칭 단계에서의 혼동을 방지함으로써 정확도 또한 향상시켰다.https://github.com/emirhanbayar/Fast-StrongSORThttps://github.com/emirhanbayar/Fast-Deep-OC-SORT