Core Concepts
객체 식별 레이블 없이도 객체 간 일관된 연결을 학습할 수 있는 경로 일관성 개념을 제안하였다.
Abstract
이 논문에서는 객체 식별 레이블 없이도 객체 간 일관된 연결을 학습할 수 있는 경로 일관성 개념을 제안하였다.
객체 추적 시 관찰 경로를 정의하고, 중간 프레임을 임의로 건너뛰어 다양한 관찰 경로를 생성할 수 있다.
동일한 객체에 대해 서로 다른 관찰 경로에서 얻은 객체 연결 결과는 일관성을 가져야 한다는 점에 착안하여, 경로 일관성 손실 함수를 제안하였다.
경로 일관성 손실 함수를 통해 객체 간 단기 및 장기 연결을 동시에 학습할 수 있어, 가려짐 상황에서도 강건한 객체 추적이 가능하다.
MOT17, PersonPath22, KITTI 데이터셋에서 실험한 결과, 기존 무감독 방법들을 뛰어넘는 성능을 보였으며, 감독 학습 방법들과도 견줄만한 성과를 달성하였다.
Stats
동일한 객체에 대해 서로 다른 관찰 경로에서 얻은 객체 연결 확률은 일관성을 가져야 한다.
객체 간 연결 확률의 평균과 각 경로의 연결 확률 간 KL divergence를 최소화하고, 각 경로의 연결 확률 엔트로피를 최소화한다.
한 프레임 내 실제 객체들이 다른 실제 객체들과 1:1로 매칭되도록 제한한다.
순방향과 역방향 객체 연결 확률의 일관성을 유지한다.
Quotes
"객체 식별 레이블 없이도 객체 간 일관된 연결을 학습할 수 있는 경로 일관성 개념을 제안하였다."
"경로 일관성 손실 함수를 통해 객체 간 단기 및 장기 연결을 동시에 학습할 수 있어, 가려짐 상황에서도 강건한 객체 추적이 가능하다."