DEFT

대부분의 최신 다중 객체 추적(MOT) 시스템은 추적별 탐지를 따릅니다.
검출기에 이어 검출기를 트랙에 연결하는 방법으로 구성된 패러다임입니다. 움직임과 외관 특징을 결합하여 폐색 및 기타 과제에 대한 견고성을 제공하는 추적은 오랜 역사를 가지고 있지만, 일반적으로 이는 더 복잡하고 느린 구현의 절충과 함께 나타난다. 인기 있는 2D 추적 벤치마크에서 최근 성공한 것은 단일 프레임 공간 오프셋에 의존하는 최첨단 검출기 및 비교적 단순한 연결을 사용하여 최고 점수를 달성할 수 있다는 것을 보여준다. 특히 학습된 외관 기능을 활용하여 손실된 트랙을 재식별하는 데 도움이 되는 현대 방법을 능가한다. 본 논문에서는 DEFT, 또는 "추적을 위한 탐지 임베딩"이라는 효율적인 공동 탐지 및 추적 모델을 제안한다. 우리의 접근 방식은 기본 객체 감지 네트워크와 공동으로 학습한 외관 기반 객체 매칭 네트워크에 의존한다. LSTM은 모션 제약 조건을 캡처하기 위해 추가되기도 한다. DEPT는 2D 온라인 추적 리더보드의 상위 방법과 유사한 정확도와 속도를 가지며, 보다 까다로운 추적 데이터에 적용할 때 견고성에 상당한 이점이 있다. DEPT는 nuScene 단안 3D 추적 도전에 대한 막대를 높여 이전 상위 방법의 성능을 두 배 이상 향상시켰다. 코드를 공개적으로 사용할 수 있습니다.