대상뿐 아니라 배경도 보기
대상의 예시와 비슷한 영역을 찾는 것만으로는 외형이 비슷한 배경을 구분하기 어려울 수 있다. DiMP는 대상 및 배경 관측을 함께 활용해 구별하는 모델을 만든다. 학습 데이터와 현재 영상의 정보가 서로 다른 역할을 한다.
추적 안에 최적화 넣기
온라인 대상 모델 학습을 전체 구조의 일부로 구성한다. 판별 손실에서 출발한 전용 최적화와 손실의 일부 요소를 학습해 적은 반복으로 유용한 모델을 예측한다. 실행 중 대상에 맞춰지는 부분과 전체 네트워크의 사전 학습을 구분해야 한다.
배경의 중요성 예
설명용으로 빨간 컵을 추적하는데 배경에도 빨간 표지가 있다고 하자. 대상의 색만 저장하면 둘을 혼동할 수 있다. 현재 영상에서 표지는 배경이라는 관측이 추가되면 구별 단서가 달라진다. 실제 모델이 색 규칙 하나로 동작한다는 예는 아니다.
적응과 오류의 균형
온라인 갱신은 외형 변화에 적응하는 데 도움이 되지만 잘못된 관측을 학습하면 추적 대상이 바뀔 수 있다. 가림과 방해 물체에서의 갱신 조건을 확인한다. 반복 수와 저장한 관측 수에 따른 정확도 및 실행 지연을 함께 평가하고 초기 대상 조건도 맞춰 비교한다.