AbstractDetection과 tracking 두개를 동시에 학습 시키고 싶지만, 성능 이슈가 발생한다.이는 두 task가 시너지를 내면서 학습하는게 아닌, 서로 충돌하면서 애매하게 학습하기 때문 이런 성능 이슈는 detection과 tracking 각각으로부터 classification을 학습하면서 발생하는 기울기가 충돌하기 때문이라고 분석했다.기울기 충돌은 각 task에서 sample을 positive로 결정하는 방식이 원인이라 분석 기울기의 충돌을 해결하기 위해 다음을 제안한다.Detection 및 tracking에서 정답이라고 판단되는 object query를 4개의 종류로 나눔나눠진 4개의 종류를 분석하여, 특정 종류에 대한 기울기를 조정조정할 기울기는 attention 연산에서 maski..

Abstract문제오랫동안 객체가 가려지거나, detection 결과가 좋지 않은 경우 ID-switching이 발생하게 된다.  해결존재하는 과거정보와 미래 정보를 예측해서 활용하자. - Past Reasoning        - 과거정보를 활용하여 추적중인 객체의 feature를 refine- Future Reasoning        - 과거정보와 현재 정보를 활용하여 추적중인 객체의 미래 위치를 예측        - 문제 해결의 핵심         Introduction3D multi-object tracking에서 LiDAR 기반의 접근들은 많지만, 비용이나 센서의 신뢰도로 인해 적용이 어렵다.카메라의 경우에도 여러 접근들이 있지만, 대부분 detection이나 tracking이 독립적으로 연구..

AbstractCamera-based 3D MOT에 대한 새로운 end-to-end framework를 소개합니다!  문제Detection과 tracking을 하나의 query만 사용해서 해결하는 것은 성능이 좋지 않다.- Detection은 localization, tracking은 association을 담당하므로 서로 너무 다른 일을 처리한다.- 하나의 query로 두 task를 모두 해결하려고 하면, 두 부분 모두 성능이 낮아진다.- Representation conflict 라고 표현   해결Detection과 tracking 각각에 대해 query를 만들어 사용- Decoupled query 라고 표현          IntroductionTracking-with-query 접근이 많이 이루어..