Abstract
Introduction
Related work
Similarity matrix boost techniques
본 섹션에선 유사도 매트릭스의 부스팅 기법을 소개한다. 제안된 방식은 현재 존재하는 방식에 수직적이기 때문에 어떤 유사도 매트릭스 에도 더해져 성능을 올릴 수 있다(는 디텍션 경계박스와 존재하는 트랙렛 사이의 IoU로 계산된다).
유사도 매트릭스를 배정비용행렬로 사용하기 위해선 헝가리안 알고리즘이 필요하기 때문에 값을 역전해야한다. 가령 주어진 detection-tracklet 쌍 사이의 유사도 값이 클수록 할당비용이 낮아진다. SORT와 같이 본 연구에선 유사도 매트릭스에 을 곱하여 배정비용행렬를 구하였다.
Detection-tracklet confidence similarity boost
Mahalanobis distance similarity boost
Shape similarity boost
Detection confidence boosting techniques
디텍션의 confidence가 낮다고 모두 FP인것은 아니다. 본 섹션에선 두 그룹의 낮은 confidence 디텍션을 이들의 confidence score를 부스팅해서 활용하는 방법을 소개한다.
Detecting likely objects
Detecting “unlikely” objects
Experiments
Conclusions
본 연구에선 디텍션과 트랙렛 사이의 유사도를 향상시키기 위한 세가지 기법을 소개하며 낮은 점수를 갖는 디텍션 경계박스의 confidence score를 증가시키기 위한 두가지 방식을 소개하였다. 본 연구는 간단한 단일단계 형태의 association을 활용하였으며 카메라 모션 모간법과 그래디언트 부스팅 보간법과 결합하여 MOT17과 MOT20 데이터셋에서 실시간성을 확보하면서도 정확도에서 SOTA 성능을 달성하였다. 본 방식에 외형적 유사도(apperance similarity)를 더하면 더욱 성능을 향상시킬 수 있으며 본 연구에선 BoostTrack+에 해당하며 MOT17과 MOT20데이터셋에서 가장 좋은 HOTA score로 랭크하였다.