다중 객체 추적 성능의 향상을 위한 학습 가능한 칼만 필터 최적화 : 객체 궤적의 시각적 접근에 따른 데이터 증강 및 손실 함수 개발

다국어 초록 (Multilingual Abstract)

In this paper, we propose a novel optimization method for a learnable kalman filter to enhance multi-object tracking system by integrating an optimized loss function with a learnable Kalman Filter and applying image data augmentation techniques to trajectory data which type of time-series data. The way of using traditional Kalman Filters often fail to adapt to dynamic changes inherent in MOT scenarios. By incorporating deep learning directly into the filter’s estimation process, proposed method provides a more flexible and accurate tracking mechanism. Our experiments on standard benchmarks such as MOT17 and MOT20 demonstrate improvements in association accuracy, and location estimation, particularly highlighting the balanced performance across various metrics including HOTA, MOTP and FP. Novelty of this paper presents a unified framework combining MOT system with learnable Kalman filter. The results confirm that utilizing a tailored loss function alongside sophisticated data augmentation can elevate MOT performance. We anticipate that our findings will spur further research into adaptive filtering techniques within MOT applications.

목차 (Table of Contents)

• 제1장 서론 1
• 1.1 연구 배경 및 목적 1
• 1.2 논문 구성 4
• 제2장 관련 연구 5
• 2.1 칼만 필터를 이용한 다중 객체 추적 5
• 2.2 딥 네트워크 결합 칼만 필터를 활용한 상태 추정 적용 사례에 대한 기존 연구 6
• 2.3 제안 방법의 독창성 8
• 제3장 제안 방법 10
• 3.1 MOT 문제 해결을 위해 제안한 학습 가능한 KalmanNet의 맞춤형 적용 및 최적화 13
• 3.1.1 모델 학습을 위한 예측 궤적 데이터의 생성 14
• 3.1.2 객체 탐지 누락에 따른 칼만 필터 오차 누적 문제 극복을 위한 가상 궤적의 도입 17
• 3.2 시계열 데이터에 대한 이미지 데이터 증강 방식의 적용 21
• 3.2.1 Round-Noise 24
• 3.3 MOT 문제 해결에 더욱 적합한 손실 함수 25
• 3.3.1 위치-크기 손실 함수 26
• 3.3.2 속도-크기 변화율 손실 함수 26
• 3.3.3 IoU 손실 함수 27
• 3.3.4 최종 손실 함수 27
• 제4장 실험 결과 및 분석 29
• 4.1 실험 환경 29
• 4.2 데이터 셋 30
• 4.3 제안 방법의 주요 구성 요소 32
• 4.3.1 KalmanNet 32
• 4.3.2 ByteTrack 33
• 4.3 평가 지표 34
• 4.3 실험 결과 35
• 5장 결론 49
• 참고문헌 50
• ABSTRACT 57
• 감사의 글 59