프레임을 넘어가는 질의
MOTR의 추적 질의는 한 프레임의 예측 후 다음 프레임으로 전달된다. 같은 객체의 상태를 시간에 걸쳐 갱신하는 표현으로 사용한다. 매 프레임 독립된 객체 검출만 수행하는 것과 목적이 다르다.
궤적과 새 대상의 학습
기존 추적 질의와 새 객체 질의를 함께 학습하기 위해 궤적을 고려한 라벨 할당을 사용한다. 시간 정보를 모으는 네트워크와 시퀀스의 손실 구성도 포함한다. 질의 전달 하나만으로 모든 학습 요소를 대신할 수는 없다.
한 번의 오류가 이어지는 예
설명용으로 A를 따라가던 상태가 가림 뒤 B의 관측으로 갱신됐다고 하자. 이후 위치 예측이 부드럽게 이어져도 A의 식별은 잃은 것이다. 시간적으로 일관된 출력과 올바른 대상의 연속성은 다르며 실제 정답 궤적과 비교해야 한다.
종단 간 추적의 평가
추적 단계의 규칙을 학습에 포함해도 가림과 비슷한 외형의 대상, 급격한 운동은 어려운 조건이다. 검출 정확도와 연결 정확도 및 식별자 전환을 따로 확인한다. 비교에서는 학습 시퀀스, 입력 해상도와 검출 비용을 포함한 전체 실행 조건을 맞춰야 한다.
관련 문서
TrackFormer / ByteTrack / FairMOT / DeepSORT / OC-SORT / 트랜스포머