Microsoft eta Central China Unibertsitateko ikertzaileak Errendimendu handiko metodo berri bat bideoan hainbat objektu jarraitzeko ikaskuntza automatikoko teknologiak erabiliz - FairMOT (Fair Multi-Object Tracking). Pytorch-en eta trebatutako ereduetan oinarritutako metodoen inplementazioa duen kodea GitHub-en.
Objektuen jarraipena egiteko metodo gehienek bi fase erabiltzen dituzte, bakoitza sare neuronal batek inplementatuta. Lehenengo fasean objektu interesgarrien kokapena zehazteko eredu bat exekutatzen da, eta bigarren fasean, objektuak berriro identifikatzeko eta haiei aingurak eransteko erabiltzen den elkarte bilaketa-eredu bat erabiltzen da.
FairMOT-ek fase bakarreko inplementazioa erabiltzen du sare neuronal konboluzio deformagarri batean oinarrituta (, Deformable Convolutional Network), objektuen jarraipenaren abiadura nabarmen handitzea ahalbidetzen duena. FairMOT-ek aingurarik gabe funtzionatzen du, bir-identifikazio mekanismo bat erabiliz objektu-zentroen desplazamenduak zehaztasun handiko objektu-mapa batean zehazteko. Paraleloki, haien identitatea iragartzeko erabil daitezkeen objektuen ezaugarri indibidualak ebaluatzen dituen prozesadore bat exekutatzen da, eta modulu nagusiak ezaugarri horien konbergentzia egiten du eskala ezberdinetako objektuak manipulatzeko.
Eredua FairMOT-en trebatzeko, pertsonak detektatzeko eta bilatzeko sei datu-multzo publikoren konbinazioa erabili zen (ETH, CityPerson, CalTech, MOT17, CUHK-SYSU). Eredua proba-bideo multzoak erabiliz probatu zen , , ΠΈ proiektuak emandakoa eta egoera desberdinak, kameraren mugimendua edo biraketa, ikusmen angelu desberdinak estaltzen ditu. Probak hori erakutsi zuen
FairMOT lehian dauden modelorik azkarrenak ΠΈ segundoko 30 fotogramako bideo-korronteetan probatzen denean, errendimendu nahikoa erakusten du ohiko bideo-korronteak hegan aztertzeko.
Iturria: opennet.ru