LEGO: Learning and Graph-Optimized Modular Tracker for Online Multi-Object Tracking with Point Clouds
Created by
Haebom
저자
Zhenrong Zhang, Jianan Liu, Yuxuan Xia, Tao Huang, Qing-Long Han, Hongbin Liu
개요
본 논문은 온라인 다중 객체 추적(MOT)에서 데이터 연관 성능을 개선하기 위해 학습 및 그래프 최적화(LEGO) 모듈형 추적기를 제안합니다. LEGO 추적기는 그래프 최적화와 자기 주의 메커니즘을 통합하여 객체 간의 정확하고 효율적인 매칭을 용이하게 하는 연관 점수 맵을 효율적으로 생성합니다. 칼만 필터를 추가하여 객체 상태의 시간적 일관성을 통합함으로써 상태 업데이트 프로세스를 향상시켜 일관된 추적을 보장합니다. LiDAR만을 사용하는 제안된 방법은 KITTI MOT 벤치마크에서 자동차에 대한 온라인 추적기 중 상위권의 성능을 보였습니다.
시사점, 한계점
•
시사점:
◦
LiDAR 기반 온라인 다중 객체 추적의 성능 향상을 위한 새로운 방법 제시.
◦
그래프 최적화와 자기 주의 메커니즘을 효과적으로 결합하여 데이터 연관 문제 해결.
◦
칼만 필터를 활용한 시간적 일관성 유지로 추적 정확도 향상.
◦
KITTI MOT 벤치마크에서 우수한 성능으로 최첨단 기술임을 입증.
•
한계점:
◦
본 논문에서 제시된 방법은 LiDAR 데이터에만 의존하며, 카메라와 같은 다른 센서 데이터와의 융합은 고려되지 않음. (비록 LiDAR-카메라 융합 기반 방법들보다 성능이 뛰어나다고 언급되었지만)
◦
제출 당시 1위였으나, 논문 제출 시점에는 2위로 순위가 하락했음. (경쟁 기술의 발전 가능성을 시사)
