초록
온라인 다객체 추적(Multi-Object Tracking, MOT)은 로봇 탐색 및 자율 주행과 같은 실시간이 중요한 영상 분석 시나리오에서 널리 활용된다. 탐지 기반 추적(detection-based tracking)에서 온라인 MOT의 주요 과제는 새로운 영상 프레임에서 노이즈가 포함된 객체 탐지 결과를 이전에 추적된 객체들과 견고하게 연결하는 것이다. 본 연구에서는 온라인 MOT 문제를 마르코프 결정 과정(Markov Decision Processes, MDPs)에서의 의사결정 문제로 공식화하며, 객체의 수명 주기를 MDP로 모델링한다. 데이터 연관을 위한 유사도 함수 학습은 MDP에 대한 정책(policy) 학습과 동일하며, 이 정책 학습은 오프라인 학습과 온라인 학습의 장점을 모두 활용할 수 있는 강화 학습(Reinforcement Learning) 방식으로 접근한다. 또한 본 프레임워크는 기존의 온라인 단일 객체 추적 기법을 활용하면서, 타겟의 생성/소멸 및 외관의 등장/소실을 MDP 내 상태 전이(state transition)로 자연스럽게 처리할 수 있다. 제안한 방법의 효과성을 검증하기 위해 MOT 벤치마크에서 실험을 수행하였다.