I ricercatori di Microsoft è Central China University un novu metudu d'altu rendimentu per u seguimentu di più oggetti in video cù tecnulugia di apprendimentu di machine - FairMOT (Fair Multi-Object Tracking). Codice cù implementazione di metudu basatu nantu à Pytorch è mudelli furmatu nantu à GitHub.
A maiò parte di i metudi di seguimentu di l'ughjettu esistenti utilizanu duie tappe, ognuna implementata da una rete neurale separata. A prima tappa eseguisce un mudellu per determinà u locu di l'uggetti d'interessu, è a seconda tappa usa un mudellu di ricerca d'associazione utilizatu per re-identificà l'uggetti è aghjunghje l'ancora.
FairMOT usa una implementazione in una sola fase basata nantu à una rete neurale convoluzionale deformabile (, Deformable Convolutional Network), chì vi permette di ottene un aumentu notevuli in a velocità di u seguimentu di l'ughjettu. FairMOT travaglia senza ancore, utilizendu un mecanismu di re-identificazione per determinà l'offsets di i centri di l'ughjettu nantu à una mappa d'ughjettu d'alta precisione. In parallelu, un processatore hè eseguitu chì evalueghja e caratteristiche individuali di l'uggetti chì ponu esse utilizati per predichendu a so identità, è u modulu principalu realiza una cunvergenza di sti funziunalità per manipulà l'uggetti di diverse scale.
Per furmà u mudellu in FairMOT, hè stata utilizata una cumminazione di sei datasets publichi per a rilevazione è a ricerca di e persone (ETH, CityPerson, CalTech, MOT17, CUHK-SYSU). U mudellu hè statu pruvatu cù setti di teste di video , , и furnitu da u prugettu è copre diverse situazioni, muvimentu o rotazione di càmera, diversi anguli di vista. A prova hà dimustratu chì
FairMOT mudelli cuncurrenti più veloci и quandu testatu nantu à 30 frames per secondi video flussi, dimustrendu un rendimentu abbastanza per analizà i flussi video regulari nantu à a mosca.
Source: opennet.ru