찾기와 구분하기
객체 검출은 대상의 위치를 찾고 재식별 특징은 서로 다른 관측을 같은 대상과 연결하는 단서를 제공한다. 두 작업을 하나의 모델에서 학습하면 계산을 공유할 수 있지만 학습 목표가 경쟁할 수 있다. FairMOT는 이 균형을 다룬다.
검출이 전부가 아닌 이유
같은 종류의 보행자를 모두 잘 찾아도 다음 프레임에서 식별자를 서로 바꾸면 추적은 틀린다. 검출 작업이 좋아지는 것만으로 식별 특징의 품질을 대신할 수 없다. 이름의 공정성은 이 두 학습 작업의 관계를 가리키며 사회적 공정성 지표를 뜻하지 않는다.
공유 계산의 비용 예
설명용으로 별도 검출과 특징 추출에 각각 공통 연산 5, 고유 연산 2와 3이 필요하면 별도 실행의 합은 15다. 공통 연산을 한 번만 수행하면 10이 될 수 있다. 실제 절감률은 구조와 구현에 달라지며 이 수는 측정 성능이 아니다.
공동 모델을 평가하기
FairMOT는 앵커 없는 CenterNet 기반에 여러 세부 설계를 결합한다. 단순히 분기 하나를 붙이는 것만으로 같은 결과가 보장되지는 않는다. 검출 정확도와 식별 특징의 품질, 최종 추적 지표를 따로 확인하고 사용한 데이터 및 전체 추론 비용을 맞춰 비교한다.
관련 문서
SORT 객체 추적 / DeepSORT / ByteTrack / BoT-SORT / OC-SORT / 합성곱 신경망