개요
SORT 라고 알고 있는 Simple Online and Realtime Tracking 논문의 얕은 리뷰. 객체 추적 및 ID 부여 Task도 할 일이 있어, 발전사에 따라 관련 객체 추적 논문들을 쭉 읽어나갈 것 같다.
본 논문의 방법론은 다중 객체감지 결과를 기반으로 칼만 필터를 이용하는 객체 추적을 효율적으로 추적하며 ID 부여를 수행한다.
기존의 객체 추적기들이 여러 프레임을 보는 배치 기반 추적기들이었던 반면, 본 논문의 SORT 방법은 현재프레임과 이전프레임의 정보 만을 활용한다. 이는 객체 추적기들의 성능 지표 랭킹에서 객체 감지기의 성능에 많이 의존된다는 점에서 착안하였다. 그래서 ACF를 사용한 당시의 Faster R-CNN 객체 감지기를 사용하며, 실시간 성능 및 효율성을 올리기 위해 설계 철학을 다음과 같이 밝혔다. 객체감지 요소 이외의 외형적인 특징은 활용하지 않고 경계상자의 위치와 크기 정보만 활용한다. 다른 객체감지기는 오류를 잡기위해 더 복잡하고 더 치밀하게 설계하던 것과는 반대의 철학. 그리고 데이터 간의 연관성을 연산하는데 효율적인 칼만 필터와 헝가리안 알고리즘을 사용한다.
기존 방법론
- 기존 전통적 방법론은 Multiple Hypothesis Tracking(MHT)와 Joint Probabilistic Data Association(JPDA)로 주로 이루어져왔다.
- 해당 방법들은 할당이 어려울 시 결정을 더 뒤로 미루는 방식을 이용하며, 이러한 방식은 실시간에서 사용하기에 적절치 않다.
- 온라인(실시간) 방식들은 객체 정보나 글로벌 정보들을 온라인 학습을 통해 해결하려한다. 이때, 객체의 모션 정보가 주로 사요오딘다.
- 헝가리안 알고리즘을 이용한 전역 솔루션의 예는 객체별 기하학 정보와 외형 정보를 결합하여 친화도(affinity) 행렬을 구축 후 occulsion 으로 사라진 정보를 여러 프레임 간의 정보 결합을 통해 연결한다.
- 이러한 방식은 배치 단위로 접근해야한다는 한계가 있다. 본 논문은 해당 방법에서 영감을 받았으나 더욱 단순한 접근을 단일 단계로 제안한다.
방법론
- 객체 추적 성능이 객체 감지기에 의존적인 배경이 있으므로, 성능이 좋은 FasterR-CNN 객체 감지 모델을 사용한다.
- 프레임-to-프레임의 변위를 모델링 한다. 여기서 모델링 되는 파라미터는 객체 중심의 위치 픽셀(가로, 세로), 경계상자의 크기(넓이)와 종횡비를 나타낸다.
- 속도 요소는 칼만 필터를 통해 최적으로 연산되며, 이렇게 계산된 대상은 실제 타겟과 ‘연관’작업을 통해 ID 를 매칭한다.
- 탐지를 기존 대상에 할당 시 이전 프레임을 가지고 연산된 현재 프레임의 대상을 예측하고, 현재 프레임의 타겟과 IOU 거리를 가지고 매칭한다.
- 즉 쉽게 이해해보자면, 트래커 시작 후 과거 프레임의 정보로 부터 연속적으로 트래커에 속도라던가, 바운딩 박스의 정보가 업데이트 되고 있고, 트래커는 이전 프레임으로 부터 현재 프레임의 정보(바운딩 박스)를 예측한다. 그리고 현재 프레임의 실제 객체감지기가 감지한 타겟과 비교하여 매칭을 수행한다.
- 새로 등장한 경계상자의 속도는 0으로 다른 객체들과의 공분산은 매우 높게 초기화 되며, 객체가 이미지 밖으로 나가 사라질 때 추적기 수명은 1로 설정한다.
테스트
- 해당 논문의 실험은 표준 MOT 성능 지표 등의 여러가지를 테스트 하였다.
- 제안된 SORT 모델은 MOTA 와 ML, FP, FAF 면에서 비교군 대비 압도적인 성능을 보였다.
- 당시 SOTA 는 배치 기반 추적기 모델인 NOMT 였는데 여러 지표면에서 능가하였다.
결론
해당 논문은 SORT라는 다중 객체 추적 문제에 적용할 수 있는 좋은 방법론을 제시한다. 당시 추적기의 성능이 객체감지기에 의존적이었음을 언급하며 고전 알고리즘과 좋은 객체감지기의 조합으로 높은 성능을 달성할 수 있음을 이야기하며, 2024년 기준 많이 쓰이는 최신식의 객체 추적 알고리즘 들이 해당 방법론을 근간으로 한다는 점에서 매우 높은 가치가 있는 논문이라 생각된다.
번역
Abstract
본 논문은 온라인 및 실시간 응용을 위해 다중 객체 추적 문제를 효율적으로 해결하는 실용적인 접근법을 탐구한다. 이를 위해, 탐지(detection) 품질이 추적 성능에 영향을 미치는 주요 요인으로 확인되었으며, 탐지기를 변경함으로써 추적 성능을 최대 18.9%까지 향상시킬 수 있음을 보여준다. 칼만 필터(Kalman Filter)와 헝가리안 알고리즘(Hungarian algorithm)과 같은 익숙한 기법들을 기본적으로 결합한 단순한 방식을 사용함에도 불구하고, 이 접근법은 최신 온라인 추적기와 비슷한 수준의 정확도를 달성한다. 더욱이, 추적 방식의 단순성 덕분에 추적기는 초당 260Hz의 속도로 업데이트되며, 이는 다른 최신 추적기들보다 20배 이상 빠르다.
Index Terms
컴퓨터 비전, 다중 객체 추적, 탐지, 데이터 연관
1. INTRODUCTION
본 논문은 다중 객체 추적(MOT) 문제를 해결하기 위한 탐지 기반 추적 프레임워크의 간소화된 구현 방식을 제시한다. 이 방식에서는 매 프레임에서 객체를 탐지하고 이를 경계 상자로 표현한다. 기존의 배치(batch) 기반 추적 방식들과는 달리 [1, 2, 3], 본 연구는 이전 프레임과 현재 프레임의 탐지 결과만을 이용하는 온라인 추적에 주로 초점을 맞춘다. 또한, 실시간 추적을 가능하게 하고, 자율 주행차의 보행자 추적과 같은 응용에서 더 널리 사용될 수 있도록 효율성을 중점적으로 고려하였다.
MOT 문제는 비디오 시퀀스에서 프레임 간 탐지 결과를 연관시키는 데이터 연관(data association) 문제로 볼 수 있다. 데이터 연관 과정을 지원하기 위해, 추적기는 장면 내 객체의 운동 [1, 4] 및 외형 [5, 3]을 모델링하는 다양한 방법을 사용한다. 본 논문에서 사용된 방법들은 최근 구축된 MOT 벤치마크 [6]의 관찰을 기반으로 하고 있다. 첫째, 다중 가설 추적(MHT) [7, 3] 및 공동 확률 데이터 연관(JPDA) [2]과 같은 성숙한 데이터 연관 기법이 MOT 벤치마크의 상위 순위를 차지하고 있다. 둘째, Aggregate Channel Filter(ACF) [8] 탐지기를 사용하지 않은 유일한 추적기가 상위 순위에 있는 점은 탐지 품질이 다른 추적기들의 성능을 제한하고 있음을 시사한다. 또한, 정확도와 속도 간의 상호 관계가 뚜렷하게 나타나며, 가장 정확한 추적기들의 속도가 실시간 응용에는 너무 느리다는 점이 확인되었다(그림 1 참고). 이러한 상위 배치 및 온라인 추적기에서 전통적인 데이터 연관 기법이 두드러지는 점과 상위 추적기가 사용하는 다른 탐지 기법을 고려하여, 본 연구는 MOT를 얼마나 단순화할 수 있는지와 그 성능을 탐구한다.
오컴의 면도날(Occam’s Razor)에 따라, 탐지 구성 요소 이외의 외형 특징은 추적에서 배제되며, 운동 추정 및 데이터 연관을 위해 경계 상자의 위치와 크기만 사용된다. 또한, 단기 및 장기 가림(occlusion) 문제는 드물게 발생하기 때문에 무시되며, 이를 명시적으로 처리하면 추적 프레임워크에 불필요한 복잡성이 추가된다. 본 연구는 객체 재식별(object re-identification) 형태로 복잡성을 추가하는 것이 추적 프레임워크에 상당한 부하를 줄 수 있으며, 실시간 응용에서 사용을 제한할 가능성이 있다고 주장한다.
이 설계 철학은 다양한 경계 사례와 탐지 오류를 처리하기 위해 여러 구성 요소를 통합한 기존의 시각적 추적기들과 대조적이다 [9, 10, 11, 12]. 본 연구는 대신 공통적인 프레임 간 연관을 효율적이고 신뢰성 있게 처리하는 데 초점을 맞춘다. 탐지 오류에 강인한 것을 목표로 하기보다는, 시각적 객체 탐지의 최근 발전을 활용하여 탐지 문제를 직접 해결한다. 이는 일반적인 ACF 보행자 탐지기 [8]와 최근의 컨볼루션 신경망(CNN) 기반 탐지기 [13]를 비교함으로써 입증된다. 또한, 고전적이지만 매우 효율적인 두 가지 방법인 칼만 필터 [14]와 헝가리안 방법 [15]이 각각 운동 예측 및 데이터 연관 구성 요소를 처리하는 데 사용된다. 이 최소주의적 추적 공식화는 온라인 추적의 효율성과 신뢰성을 동시에 가능하게 한다(그림 1 참고). 본 논문에서는 이 접근 방식을 다양한 환경에서의 보행자 추적에만 적용했지만, CNN 기반 탐지기의 유연성 [13] 덕분에 자연스럽게 다른 객체 클래스에도 일반화될 수 있다.
본 논문의 주요 기여는 다음과 같다:
- CNN 기반 탐지를 MOT 맥락에서 활용하였다.
- 칼만 필터와 헝가리안 알고리즘을 기반으로 한 실용적인 추적 방식을 제안하고, 최신 MOT 벤치마크에서 평가하였다.
- 충돌 회피 응용에서 연구 실험과 확산을 위한 기준 방법을 확립하기 위해 코드를 오픈소스로 제공할 예정이다.
본 논문은 다음과 같이 구성된다. 2장은 다중 객체 추적 분야의 관련 문헌을 간략히 검토한다. 3장에서는 제안된 간소화된 추적 프레임워크를 설명하며, 4장에서는 이를 표준 벤치마크 시퀀스에서의 효과를 통해 입증한다. 마지막으로, 5장에서는 연구 결과를 요약하고 향후 개선 방향에 대해 논의한다.
2. LITERATURE REVIEW
전통적으로 다중 객체 추적(MOT)은 다중 가설 추적(MHT) [7] 또는 공동 확률 데이터 연관(JPDA) 필터 [16, 2]를 사용하여 해결되어 왔다. 이러한 방법들은 객체 할당에 대한 불확실성이 높은 상황에서 어려운 결정을 지연시키는 방식을 사용한다. 그러나 이 접근법의 조합 복잡성은 추적하는 객체 수에 따라 기하급수적으로 증가하기 때문에, 높은 동적 환경에서 실시간 응용에는 적합하지 않다. 최근에 Rezatofighi 등 [2]은 시각적 MOT에서 JPDA 공식 [16]을 재검토하며, 정수 프로그램을 해결하기 위한 최신 기술을 활용하여 JPDA의 조합 복잡성 문제를 효율적으로 근사화하려는 목표를 제시하였다. 마찬가지로 Kim 등 [3]은 각 대상에 대한 외형 모델을 사용하여 MHT 그래프를 가지치기하여 최신 성능을 달성했다. 그러나 이러한 방법들은 여전히 결정 과정을 지연시키기 때문에 온라인 추적에는 적합하지 않다.
많은 온라인 추적 방법들은 개별 객체 자체 [17, 18, 12] 또는 전체적인 글로벌 모델 [19, 11, 4, 5]을 온라인 학습을 통해 구축하는 것을 목표로 한다. 외형 모델 외에도, 탐지 결과를 추적 단위(tracklet)와 연관시키는 과정을 돕기 위해 운동 정보가 자주 통합된다 [1, 19, 4, 11]. 일대일 대응만을 고려하여 이분 그래프 매칭으로 모델링할 경우, 헝가리안 알고리즘 [15]과 같은 전역 최적화 솔루션을 사용할 수 있다 [10, 20].
Geiger 등 [20]의 방법은 헝가리안 알고리즘 [15]을 두 단계 과정으로 사용한다. 먼저, 기하학적 정보와 외형 단서를 결합하여 친화도 행렬을 형성한 후 인접 프레임 간의 탐지 결과를 연관시켜 추적 단위를 형성한다. 이후, 다시 기하학적 정보와 외형 단서를 사용하여 추적 단위를 연관시켜 가림(occlusion)으로 인해 끊어진 궤적을 연결한다. 이러한 두 단계 연관 방법은 배치 계산으로 접근 방식을 제한한다. 본 연구의 접근법은 [20]의 추적 구성 요소에서 영감을 받았으나, 다음 섹션에서 설명된 바와 같이 기본 단서를 사용하여 연관 과정을 단일 단계로 단순화하였다.
3. METHODOLOGY
제안된 방법은 탐지, 객체 상태를 미래 프레임으로 전파, 현재 탐지 결과와 기존 객체의 연관, 그리고 추적 객체의 수명 관리를 포함하는 주요 구성 요소로 설명된다.
3.1 Detection
CNN 기반 탐지의 급속한 발전을 활용하기 위해, 우리는 Faster Region CNN (FrRCNN) 탐지 프레임워크 [13]을 사용한다. FrRCNN은 두 단계로 구성된 종단 간(end-to-end) 프레임워크이다. 첫 번째 단계에서는 특징을 추출하고 두 번째 단계에서 분류할 영역을 제안하며, 두 번째 단계에서는 제안된 영역에서 객체를 분류한다. 이 프레임워크의 장점은 두 단계 간의 매개변수를 공유함으로써 탐지를 위한 효율적인 구조를 제공한다는 점이다. 또한, 네트워크 아키텍처 자체를 다양한 설계로 교체할 수 있어 탐지 성능을 향상시키기 위한 다양한 아키텍처 실험을 신속히 수행할 수 있다.
본 연구에서는 FrRCNN이 제공하는 두 가지 네트워크 아키텍처, 즉 Zeiler와 Fergus의 아키텍처(FrRCNN(ZF)) [21]와 Simonyan 및 Zisserman의 더 깊은 아키텍처(FrRCNN(VGG16)) [22]를 비교하였다. 본 연구 전반에 걸쳐, 우리는 PASCAL VOC 챌린지에서 학습된 기본 매개변수로 FrRCNN을 적용한다. 우리는 보행자에만 관심이 있기 때문에 다른 모든 클래스는 무시하고, 출력 확률이 50%를 초과하는 보행자 탐지 결과만 추적 프레임워크에 전달한다.
우리의 실험에서는 FrRCNN 탐지 결과와 ACF 탐지 결과를 비교할 때 탐지 품질이 추적 성능에 상당한 영향을 미친다는 것을 발견했다. 이는 기존의 온라인 추적기 MDP [12]와 본 논문에서 제안된 추적기에 적용된 검증 시퀀스 집합을 사용하여 입증되었다. 표 1은 가장 우수한 탐지기(FrRCNN(VGG16))가 MDP와 제안된 방법 모두에서 최고의 추적 정확도를 제공함을 보여준다.
3.2. Estimation Model
여기서는 객체 모델, 즉 대상의 정체성을 다음 프레임으로 전파하는 데 사용되는 표현 및 운동 모델을 설명한다. 각 객체의 프레임 간 변위를 다른 객체나 카메라 움직임과 무관한 선형 일정 속도 모델로 근사화한다. 각 대상의 상태는 다음과 같이 모델링된다:
\[\begin{equation} \mathbf{x}=[u,v,s,r,\dot{u},\dot{v},\dot{s}]^T , \end{equation}\]여기서 $u$와 $v$는 대상 중심의 가로 및 세로 픽셀 위치를 나타내며, $s$와 $r$은 각각 대상의 경계 상자 크기(면적)와 종횡비를 나타낸다. 종횡비는 일정하다고 간주한다. 탐지가 대상과 연관되면, 탐지된 경계 상자가 대상 상태를 업데이트하는 데 사용되며, 속도 구성 요소는 칼만 필터 프레임워크 [14]를 통해 최적으로 계산된다. 대상과 연관된 탐지가 없으면, 상태는 선형 속도 모델을 사용하여 보정 없이 단순히 예측된다.
3.3. Data Association
탐지를 기존 대상에 할당할 때, 각 대상의 경계 상자 기하학은 현재 프레임에서의 새로운 위치를 예측함으로써 추정된다. 그런 다음, 할당 비용 행렬은 각 탐지 결과와 기존 대상의 모든 예측 경계 상자 사이의 교집합 대비 합집합(IOU) 거리로 계산된다. 이 할당은 헝가리안 알고리즘을 사용하여 최적으로 해결된다. 추가적으로, 탐지 결과와 대상 간의 중첩이 $IOU_{min}$ 보다 작은 경우 할당을 거부하기 위해 최소 IOU를 설정한다.
우리는 경계 상자의 IOU 거리가 지나가는 대상들에 의해 발생하는 단기 가림을 암묵적으로 처리함을 발견했다. 구체적으로, 대상이 가리는 객체에 의해 가려진 경우, 가리는 객체만 탐지되는데, 이는 IOU 거리가 유사한 크기의 탐지를 적절히 선호하기 때문이다. 이는 가리는 대상은 탐지를 통해 보정되는 반면, 가려진 대상은 할당이 이루어지지 않아 영향을 받지 않도록 한다.
3.4. Creation and Deletion of Track Identities
객체가 이미지 안으로 들어오거나 밖으로 나갈 때, 고유한 ID를 생성하거나 삭제해야 한다. 추적기를 생성하기 위해, $IOU_{min}$ 보다 작은 중첩을 가지는 탐지를 추적되지 않은 객체의 존재로 간주한다. 추적기는 경계 상자의 기하학을 사용하여 초기화되며, 속도는 0으로 설정된다. 이 시점에서는 속도를 관측할 수 없으므로, 속도 구성 요소의 공분산은 큰 값으로 초기화되어 이 불확실성을 반영한다. 추가적으로, 새로운 추적기는 잘못된 양성(False Positive)의 추적을 방지하기 위해 충분한 증거를 축적해야 하는 시험 기간을 거친다.
추적은 $T_{Lost}$ 프레임 동안 탐지되지 않을 경우 종료된다. 이는 탐지기로부터의 보정 없이 오랜 기간 동안 예측으로 인해 발생하는 추적기 수의 무한 성장을 방지하고, 위치 오차를 줄이는 데 도움을 준다. 모든 실험에서 $T_{Lost}$ 는 1로 설정되었으며, 이는 두 가지 이유 때문이다. 첫째, 일정 속도 모델은 실제 동역학을 예측하는 데 부적합하며, 둘째, 우리는 주로 프레임 간 추적에 중점을 두고 있으며, 객체 재식별은 본 연구의 범위를 벗어난다. 또한, 손실된 대상의 조기 삭제는 효율성을 높인다. 객체가 다시 나타날 경우, 추적은 새 ID로 암묵적으로 재개된다.
4. EXPERIMENTS
우리는 MOT 벤치마크 데이터베이스 [6]에서 설정한 다양한 테스트 시퀀스를 사용하여 추적 구현 성능을 평가한다. 이 데이터베이스는 이동 카메라와 고정 카메라 시퀀스를 모두 포함한다. 초기 칼만 필터 공분산, $IOU_{min}$, $T_{Lost}$ 매개변수를 조정하기 위해 [12]에서 보고된 것과 동일한 학습/검증 분할을 사용한다. 사용된 탐지 아키텍처는 FrRCNN(VGG16) [22]이다. 소스 코드와 [22]에서 제공되는 샘플 탐지 결과는 온라인에서 확인할 수 있다.
4.1. Metrics
다중 객체 추적 성능을 평가하는 데 단일 점수를 사용하는 것은 어렵기 때문에, 우리는 [24]에서 정의된 평가 지표와 표준 MOT 지표 [25]를 함께 활용한다:
- MOTA(↑): 다중 객체 추적 정확도 [25].
- MOTP(↑): 다중 객체 추적 정밀도 [25].
- FAF(↓): 프레임당 허위 경보 수.
- MT(↑): 주로 추적된 궤적의 수, 즉 대상이 전체 수명 기간의 최소 80% 동안 동일한 레이블을 가지는 경우.
- ML(↓): 주로 손실된 궤적의 수, 즉 대상이 전체 수명 기간의 최소 20% 이상 추적되지 않는 경우.
- FP(↓): 허위 탐지의 수.
- FN(↓): 누락된 탐지의 수.
- ID sw(↓): ID가 이전에 추적된 다른 객체로 전환된 횟수 [24].
- Frag(↓): 탐지 누락으로 인해 궤적이 중단된 단편화(fragmentation)의 수.
(↑)로 표시된 평가 지표는 값이 높을수록 성능이 더 우수함을 나타내고, (↓)로 표시된 평가 지표는 값이 낮을수록 성능이 더 우수함을 나타낸다. 진양성(True Positive)은 해당하는 실제 경계 상자와 최소 50% 이상 중첩되는 것으로 간주된다. 평가 코드는 [6]에서 다운로드되었다.
4.2. Performance Evaluation
추적 성능은 11개의 시퀀스에 대한 정답 데이터가 제공되지 않는 MOT 벤치마크 [6] 테스트 서버를 사용하여 평가되었다. 표 2는 제안된 방법 SORT와 여러 기준 추적기들을 비교한다. 간결성을 위해, 정확도 측면에서 최신 온라인 추적기(예: TDAM [18], MDP [12]), 가장 빠른 배치 기반 추적기(DP NMS [23]), 그리고 전반적으로 준온라인 방식에 가까운 NOMT [11]과 같은 관련성이 높은 추적기들만 나열하였다. 또한, 본 연구의 접근법에 영감을 준 방법들(TBD [20], ALExTRAC [5], SMOT [1])도 포함되었다. 다른 방법들과 비교할 때, SORT는 온라인 추적기 중 가장 높은 MOTA 점수를 달성했으며, 근미래의 프레임을 사용하는 훨씬 더 복잡한 최신 방식인 NOMT와 비교할 만한 성능을 보였다. 추가적으로, SORT는 프레임 간 연관에 초점을 맞추고 있기 때문에, 다른 추적기들과 비슷한 수준의 탐지 누락(False Negatives)을 가지고도 손실된 대상(ML)의 수가 최소화되었다. 또한, SORT는 프레임 간 연관을 기반으로 추적 단위를 확장하는 데 중점을 두기 때문에, 다른 방법들과 비교했을 때 손실된 대상의 수가 가장 적다.
4.3. Runtime
대부분의 MOT 솔루션은 더 높은 정확도를 목표로 성능을 향상시키지만, 종종 실행 시간 성능의 대가를 치르게 된다. 오프라인 처리 작업에서는 느린 실행 시간이 허용될 수 있지만, 로봇 공학과 자율 주행 차량에서는 실시간 성능이 필수적이다. 그림 1은 MOT 벤치마크 [6]에서 속도와 정확도와의 관계를 나타내는 여러 추적기를 보여준다. 이는 최고의 정확도를 달성하는 방법들이 또한 가장 느린 경향이 있음을 보여준다(그림 1의 오른쪽 아래). 반대로, 가장 빠른 방법들은 정확도가 낮은 경향이 있다(그림 1의 왼쪽 위). SORT는 이러한 전형적인 단점을 피하면서 속도와 정확도라는 두 가지 바람직한 특성을 결합한다(그림 1의 오른쪽 위). 추적 구성 요소는 Intel i7 2.5GHz 프로세서와 16GB 메모리를 장착한 단일 코어에서 초당 260Hz로 실행된다.
5. CONCLUSION
본 논문에서는 프레임 간 예측 및 연관에 초점을 맞춘 단순한 온라인 추적 프레임워크를 제시하였다. 우리는 추적 품질이 탐지 성능에 크게 의존하며, 최근 탐지 기술의 발전을 활용함으로써 고전적인 추적 방법만으로도 최신 추적 품질을 달성할 수 있음을 보였다. 제안된 프레임워크는 속도와 정확도 모두에서 최고 수준의 성능을 달성하였으며, 다른 방법들은 일반적으로 하나를 희생하여 다른 하나를 얻는 반면, 이를 동시에 만족시켰다. 제안된 프레임워크의 단순성은 이를 기준 방법으로 적합하게 만들어, 새로운 방법들이 장기적인 가림(occlusion)을 처리하기 위한 객체 재식별(object re-identification)에 집중할 수 있도록 한다. 실험에서 탐지 품질이 추적에서 중요하다는 점이 강조되었기 때문에, 향후 연구에서는 탐지와 추적이 긴밀하게 결합된 프레임워크를 조사할 예정이다.
Alex Bewley, Zongyuan Ge, Lionel Ott, Fabio Ramos, Ben Upcroft Simple Online and Realtime Tracking
댓글남기기