[論文レビュー] Single Object Tracking: A Survey of Methods, Datasets, and Evaluation Metrics

Zahra Soleimanitaleb, Mohammad Ali Keyvanrad|arXiv (Cornell University)|Jan 31, 2022

Video Surveillance and Tracking Methods被引用数 12

ひとこと要約

本調査は、特徴ベース、セグメンテーションベース、推定ベース、学習ベースのアプローチに分類する単一オブジェクト追跡手法について包括的なレビューを提供している。特に、生成的、判別的、強化学習のサブカテゴリを含む学習ベースの技術に焦点を当てている。標準データセットと評価指標を用いて最先端のモデルを評価し、コンピュータビジョンおよび追跡システム分野の研究者にとって統一的な参照資料を提供している。

ABSTRACT

Object tracking is one of the foremost assignments in computer vision that has numerous commonsense applications such as traffic monitoring, robotics, autonomous vehicle tracking, and so on. Different researches have been tried later a long time, but since of diverse challenges such as occlusion, illumination variations, fast motion, etc. researches in this area continues. In this paper, different strategies of the following objects are inspected and a comprehensive classification is displayed that classified the following strategies into four fundamental categories of feature-based, segmentation-based, estimation-based, and learning-based methods that each of which has its claim sub-categories. The most center of this paper is on learning-based strategies, which are classified into three categories of generative strategies, discriminative strategies, and reinforcement learning. One of the sub-categories of the discriminative show is deep learning. Since of high-performance, deep learning has as of late been exceptionally much consider. Finally, the different datasets and the evaluation methods that are most commonly used will be introduced.

研究の動機と目的

• 特徴ベース、セグメンテーションベース、推定ベース、学習ベースの4つの主要カテゴリーにわたり、単一オブジェクト追跡手法を体系的に分類すること。
• 特に深層学習と強化学習アプローチを含む、学習ベースの追跡の進化と現在の状態を分析すること。
• 単一オブジェクト追跡研究で最も広く使われているベンチマークデータセットと評価指標をレビューすること。
• 2019年以降の分野における進展、課題、トレンドを統合することで、研究者にとって包括的な参照資料を提供すること。
• ICCKE2019で発表された前回の会議論文を、最新の手法、データセット、評価基準で拡張・更新すること。

提案手法

• 追跡手法を4つの基本的グループに分類する：特徴ベース、セグメンテーションベース、推定ベース、学習ベース。各グループにサブカテゴリーを設ける。
• 学習ベースの手法を3つのサブグループに分類する：生成的、判別的、強化学習。深層学習の優位性を強調する。
• Siameseネットワークや相関フィルタなど、追跡に用いられる主要な深層学習アーキテクチャをレビューし、その設計原則を強調する。
• OTB、VOT、TrackingNetなどの標準ベンチマークを用いた評価プロトコルを分析する。AOUC、精度、成功率などの指標に焦点を当てる。
• 標準化された指標とデータセットを用いて、遮蔽や運動ブラーなどの課題に直面した際の各手法のパフォーマンスを比較し、耐性を評価する。
• 最近の文献からの知見を統合し、単一オブジェクト追跡における手法的トレンドと限界を包括的に提示する。

実験結果

リサーチクエスチョン

• RQ1 特徴ベース、セグメンテーションベース、推定ベース、学習ベースの各パラダイムは、精度と耐性の観点でどのように比較できるか？
• RQ2 特に判別的および生成的フレームワークを含む、深層学習ベースの追跡手法における主な進歩と限界は何か？
• RQ3 実世界の追跡課題を最も的確に反映しているとされるベンチマークデータセットと評価指標は何か？
• RQ4 強化学習の統合により、動的または複雑な環境における追跡パフォーマンスはどのように向上したか？
• RQ5 遮蔽、照明変化、高速移動といった継続的な課題は何か。現在の手法ではどのように対処されているか？

主な発見

• 特に判別的モデル（例：Siameseネットワーク）を含む深層学習ベースの手法は、従来のアプローチに比べて精度と耐性の面で顕著に優れている。
• VOTとOTBベンチマークは依然として最も広く使われており、成功率とAUC（曲線下積分面積）が主な評価指標として支配的である。
• 強化学習ベースの追跡手法は、長期追跡や複雑な運動パターンの処理において有望な成果を示しているが、深層学習の手法に比べてまだ成熟していない。
• 遮蔽と照明変動は依然として最も根強い課題であり、最先端のモデルですら極端な条件下では依然として困難を抱えている。
• 本調査では、外観モデリングと運動推定を組み合わせたハイブリッドアーキテクチャへの傾向が明らかになった。
• パフォーマンスの向上は見られるが、多様な視覚ドメインにわたる一般化能力は、分野における主要な未解決課題のままであると指摘している。