Microsofti ja Kesk-Hiina ülikooli teadlased uus suure jõudlusega meetod mitme objekti jälgimiseks videos, kasutades masinõppetehnoloogiaid – FairMOT (Fair Multi-Object Tracking). Pytorchil ja koolitatud mudelitel põhineva meetodi juurutusega kood GitHubis.
Enamik olemasolevaid objektide jälgimise meetodeid kasutab kahte etappi, millest igaüks on rakendatud eraldi närvivõrgu kaudu. Esimeses etapis käivitatakse huvipakkuvate objektide asukoha määramise mudel ja teises etapis kasutatakse assotsiatsiooniotsingu mudelit, mida kasutatakse objektide uuesti tuvastamiseks ja ankrute kinnitamiseks.
FairMOT kasutab üheastmelist teostust, mis põhineb deformeeritaval konvolutsioonilisel närvivõrgul (, Deformeeritav konvolutsioonivõrk), mis võimaldab saavutada objekti jälgimise kiiruse märgatava tõusu. FairMOT töötab ilma ankruteta, kasutades uuesti tuvastamise mehhanismi, et määrata objektide keskpunktide nihked ülitäpsel objektikaardil. Paralleelselt käivitatakse protsessor, mis hindab objektide individuaalseid omadusi, mille abil saab nende identiteeti ennustada, ja põhimoodul teostab nende omaduste konvergentsi, et manipuleerida erineva ulatusega objekte.
Mudeli koolitamiseks FairMOTis kasutati inimeste tuvastamiseks ja otsimiseks mõeldud kuue avaliku andmestiku kombinatsiooni (ETH, CityPerson, CalTech, MOT17, CUHK-SYSU). Mudelit testiti videote testkomplektide abil , , и ette nähtud ja erinevate olukordade katmine, kaamera liikumine või pöörlemine, erinevad vaatenurgad. Test näitas seda
FairMOT kiireimad konkureerivad mudelid и testimisel 30 kaadrit sekundis videovoogudega, mis näitab piisavat jõudlust tavaliste videovoogude käigupealt analüüsimiseks.
Allikas: opennet.ru