ಮೈಕ್ರೋಸಾಫ್ಟ್ ಮತ್ತು ಸೆಂಟ್ರಲ್ ಚೀನಾ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಸಂಶೋಧಕರು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ವೀಡಿಯೊದಲ್ಲಿ ಅನೇಕ ವಸ್ತುಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಲು ಹೊಸ ಉನ್ನತ-ಕಾರ್ಯಕ್ಷಮತೆಯ ವಿಧಾನ - FairMOT (ಫೇರ್ ಮಲ್ಟಿ-ಆಬ್ಜೆಕ್ಟ್ ಟ್ರ್ಯಾಕಿಂಗ್). ಪೈಟೋರ್ಚ್ ಮತ್ತು ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಗಳ ಆಧಾರದ ಮೇಲೆ ವಿಧಾನದ ಅನುಷ್ಠಾನದೊಂದಿಗೆ ಕೋಡ್ GitHub ನಲ್ಲಿ.
ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಹೆಚ್ಚಿನ ಆಬ್ಜೆಕ್ಟ್ ಟ್ರ್ಯಾಕಿಂಗ್ ವಿಧಾನಗಳು ಎರಡು ಹಂತಗಳನ್ನು ಬಳಸುತ್ತವೆ, ಪ್ರತಿಯೊಂದನ್ನು ಪ್ರತ್ಯೇಕ ನರಮಂಡಲದ ಮೂಲಕ ಕಾರ್ಯಗತಗೊಳಿಸಲಾಗುತ್ತದೆ. ಮೊದಲ ಹಂತವು ಆಸಕ್ತಿಯ ವಸ್ತುಗಳ ಸ್ಥಳವನ್ನು ನಿರ್ಧರಿಸಲು ಒಂದು ಮಾದರಿಯನ್ನು ನಡೆಸುತ್ತದೆ ಮತ್ತು ಎರಡನೆಯ ಹಂತವು ವಸ್ತುಗಳನ್ನು ಮರು-ಗುರುತಿಸಲು ಮತ್ತು ಅವುಗಳಿಗೆ ಲಂಗರುಗಳನ್ನು ಜೋಡಿಸಲು ಬಳಸುವ ಅಸೋಸಿಯೇಷನ್ ಹುಡುಕಾಟ ಮಾದರಿಯನ್ನು ಬಳಸುತ್ತದೆ.
FairMOT ಒಂದು-ಹಂತದ ಅಳವಡಿಕೆಯನ್ನು ವಿರೂಪಗೊಳಿಸಬಹುದಾದ ಕನ್ವಲ್ಯೂಷನಲ್ ನರಮಂಡಲದ ಆಧಾರದ ಮೇಲೆ ಬಳಸುತ್ತದೆ (, ವಿರೂಪಗೊಳಿಸಬಹುದಾದ ಕನ್ವಲ್ಯೂಷನಲ್ ನೆಟ್‌ವರ್ಕ್), ಇದು ಆಬ್ಜೆಕ್ಟ್ ಟ್ರ್ಯಾಕಿಂಗ್‌ನ ವೇಗದಲ್ಲಿ ಗಮನಾರ್ಹ ಹೆಚ್ಚಳವನ್ನು ಸಾಧಿಸಲು ನಿಮಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. FairMOT ಆಂಕರ್‌ಗಳಿಲ್ಲದೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಹೆಚ್ಚಿನ ನಿಖರವಾದ ವಸ್ತು ನಕ್ಷೆಯಲ್ಲಿ ವಸ್ತು ಕೇಂದ್ರಗಳ ಆಫ್‌ಸೆಟ್‌ಗಳನ್ನು ನಿರ್ಧರಿಸಲು ಮರು-ಗುರುತಿಸುವಿಕೆಯ ಕಾರ್ಯವಿಧಾನವನ್ನು ಬಳಸುತ್ತದೆ. ಸಮಾನಾಂತರವಾಗಿ, ಅವುಗಳ ಗುರುತನ್ನು ಊಹಿಸಲು ಬಳಸಬಹುದಾದ ವಸ್ತುಗಳ ಪ್ರತ್ಯೇಕ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಪ್ರೊಸೆಸರ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ವಿವಿಧ ಮಾಪಕಗಳ ವಸ್ತುಗಳನ್ನು ಕುಶಲತೆಯಿಂದ ನಿರ್ವಹಿಸಲು ಮುಖ್ಯ ಮಾಡ್ಯೂಲ್ ಈ ವೈಶಿಷ್ಟ್ಯಗಳ ಒಮ್ಮುಖವನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ.
FairMOT ನಲ್ಲಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು, ಜನರ ಪತ್ತೆ ಮತ್ತು ಹುಡುಕಾಟಕ್ಕಾಗಿ ಆರು ಸಾರ್ವಜನಿಕ ಡೇಟಾಸೆಟ್‌ಗಳ ಸಂಯೋಜನೆಯನ್ನು ಬಳಸಲಾಗಿದೆ (ETH, CityPerson, CalTech, MOT17, CUHK-SYSU). ವೀಡಿಯೊಗಳ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮಾದರಿಯನ್ನು ಪರೀಕ್ಷಿಸಲಾಗಿದೆ , , и ಯೋಜನೆಯಿಂದ ಒದಗಿಸಲಾಗಿದೆ ಮತ್ತು ವಿಭಿನ್ನ ಸನ್ನಿವೇಶಗಳು, ಕ್ಯಾಮರಾ ಚಲನೆ ಅಥವಾ ತಿರುಗುವಿಕೆ, ವಿಭಿನ್ನ ವೀಕ್ಷಣಾ ಕೋನಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಪರೀಕ್ಷೆಯು ಅದನ್ನು ತೋರಿಸಿದೆ
FairMOT ವೇಗದ ಸ್ಪರ್ಧಾತ್ಮಕ ಮಾದರಿಗಳು и ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ 30 ಫ್ರೇಮ್‌ಗಳ ವೀಡಿಯೊ ಸ್ಟ್ರೀಮ್‌ಗಳಲ್ಲಿ ಪರೀಕ್ಷಿಸಿದಾಗ, ಹಾರಾಡುತ್ತಿರುವಾಗ ಸಾಮಾನ್ಯ ವೀಡಿಯೊ ಸ್ಟ್ರೀಮ್‌ಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಸಾಕಷ್ಟು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ.
ಮೂಲ: opennet.ru