Este artículo se centra en el problema de la selección de cuadros delimitadores de detección de alta confianza en el Seguimiento Multiobjeto (MOT). Si bien el enfoque BoostTrack actual intenta superar las deficiencias de los métodos de ligamiento multinivel mejorando la confianza en la detección, este artículo aborda las limitaciones de la técnica de mejora de la confianza de BoostTrack y propone un nuevo enfoque para optimizar el rendimiento. El método propuesto combina la forma, la distancia de Mahalanobis y una novedosa medida de similitud BIoU suave para construir una medida de similitud más completa y mejorar la selección de detecciones positivas verdaderas. Además, introducimos una técnica de mejora de la confianza de la detección suave que calcula una nueva puntuación de confianza basada en la medida de similitud y las puntuaciones de confianza previas, y un umbral de similitud variable para considerar las medidas de baja similitud actualizadas irregularmente entre detecciones y tracklets. Las adiciones propuestas son independientes y aplicables a cualquier algoritmo MOT. En consecuencia, la combinación del método propuesto con la línea base BoostTrack+ permite obtener resultados que se acercan al estado del arte en el conjunto de datos MOT17 y nuevos resultados de vanguardia en las puntuaciones HOTA e IDF1 en el conjunto de datos MOT20. Se proporciona el código fuente.
