PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.22706v1cs.CV

DOA-SORT: 분포적 관측을 활용한 방향성 가림 인지 다중 객체 추적

DOA-SORT: Directional Occlusion-Aware Multi-Object Tracking with Distributional Observations

다중 객체 추적(MOT)에서 객체 식별 연관(identity association)은 부분적 가림(partial occlusion), 잘린 탐지(truncated detection), 변동하는 신뢰도 점수에 취약합니다. 기존의 모션 위주 트래커들은 흔히 가림을 스칼라 페널티로 표현합니다. 이러한 방식은 가림으로 인해 발생하는 방향성 관측 바이어스(bias)를 놓치게 됩니다. 즉, 좌, 우, 상, 하 가림은 탐지된 객체의 위치와 형태를 서로 다른 방식으로 왜곡합니다. 본 논문에서는 이러한 바이어스를 명시적으로 모델링하는 온라인 기반의 무학습(training-free) 트래커인 DOA-SORT(Directional Occlusion-Aware SORT)를 제안합니다. 먼저, 바운딩 박스 중첩과 상대적인 하단 위치로부터 소프트한 앞뒤 순서를 추론하고 방향별 가림 범위 및 깊이를 추정합니다. 그런 다음 깨끗한 관측 요소 하나와 네 가지 방향성 가림 관측 요소의 혼합을 구성합니다. 해당 모델은 박스 중심, 면적, 신뢰도, 종횡비로 구성된 5차원 관측을 사용하며, 예측된 가림과 탐지 신뢰도에 맞춰 관측 노이즈를 적응시킵니다. 이 방향성 혼합 가능도(likelihood)는 높은 신뢰도 연관, 낮은 신뢰도 연관, 트랙 복구에 사용되며, 모호성 페널티와 국소 순서 일관성 교환(local order-consistency swap)을 통해 인접한 객체 간의 식별 오류를 더욱 줄입니다. DanceTrack 검증(validation) 분할에서 DOA-SORT는 동일한 탐지기 및 평가 프로토콜을 사용한 OA-SORT 대비 HOTA를 63.00에서 66.34로, AssA를 45.10에서 49.57로, IDF1을 62.19에서 65.28로 향상시켰습니다. 탐지 정확도는 안정적으로 유지되는 반면 성능 향상은 연관 품질에 집중되었습니다. MOT17 및 MOT20 학습(train) 분할에 대한 추가적인 국소 평가는 동일한 no-ReID 추적 프로토콜 하에서 데이터셋 간 동작 특성을 보여줍니다.