Probabilistic Regression for Visual Tracking

Paper Preview

본 논문은 Visual tracking에 관한 논문으로, 기존의 tracking과정에서 발생하는 uncertainty를 잘 잡지 못 하는 단점을 지적하며 나왔습니다.

Q. 그렇다면 어떤 것이 이 불확실성을 야기시킬까요?
현재 대부분의 영상 추적 알고리즘은 confidence score를 계산합니다. 하지만 이 신뢰도 점수는 확률적인 해석이 부족하여 실제 활용에 제한이 있다고 합니다.

따라서 본 논문에서는 제목과 같이 확률 회귀(probabilistic regression) 기반의 새로운 영상 추적 방법을 제안합니다. 이는 입력 이미지를 기반으로 목표 객체의 상태에 대한 조건부 확률 밀도를 예측합니다.

이를 통해 부정확한 annotation(labeling)이나 추적 과정 자체의 모호성으로 인한 label noise를 모델링할 수 있게 합니다!

Confidence score VS Probabilistic Regression

Preview를 했다면, 한 번 본격적으로 기존 신뢰도 점수 기반 회귀 방법은 어떤 장점이 있으며 왜 한계점이 있는 지 살펴보겠습니다.

기존 신뢰도 점수 기반

• 기존 신뢰도 점수 기반 회귀 방법의 장점

불확실성 표현: 신뢰도 점수(s(y, x))는 예측된 경계 상자의 정확성에 대한 불확실성을 일정 부분 반영할 수 있습니다. 즉, 신뢰도 점수가 높을수록 예측 결과가 더 정확할 가능성이 높다는 의미입니다.

• 기존 신뢰도 점수 기반 회귀 방법의 한계

명확한 확률적 해석의 부족: 신뢰도 점수 자체는 단순히 숫자값이며, 얼마나 정확한지에 대한 확률적인 해석 (예: 70%의 확률로 정확)이 어렵습니다.

데이터 의존성: 신뢰도 점수의 의미는 학습 데이터의 분포에 따라 달라질 수 있습니다. 따라서 새로운 데이터셋에 적용될 때 정확도가 떨어질 수 있습니다.

추적 결과 결합 어려움: 신뢰도 점수만으로는 여러 개의 추적 결과를 효과적으로 결합하기 어렵습니다.

새로운 확률 회귀 기반

• 새로운 확률 회귀 기반 방법의 장점

명확한 확률적 해석: 이 논문에서는 조건부 확률 밀도(p(y|x))를 예측하는 확률 회귀 기반 방법을 제안합니다. 조건부 확률 밀도는 입력 이미지(x)를 기반으로 대상 객체의 상태(y)에 대한 전체적인 확률 분포를 나타냅니다. 이를 통해 기존 신뢰도 점수보다 훨씬 더 풍부한 정보를 얻을 수 있으며, 절대적인 확률 값을 계산할 수도 있습니다.

데이터 분포 강건성: 확률 밀도 함수 자체가 데이터 분포를 내재적으로 담고 있기 때문에 새로운 데이터에 더욱 강건합니다.

추적 결과 효과적 결합: 여러 추적 결과의 확률 밀도를 결합하여 전체적인 추적 상태에 대한 더 정확한 확률 분포를 얻을 수 있습니다.