Fuerscher vu Microsoft a Central China University eng nei High-Performance-Methode fir verschidde Objekter am Video ze verfolgen mat Maschinnléiertechnologien - FairMOT (Fair Multi-Object Tracking). Code mat Method Ëmsetzung baséiert op Pytorch an trainéiert Modeller op GitHub.
Déi meescht existent Objektverfollegungsmethoden benotzen zwou Etappen, jidderee vun engem separaten neurale Netzwierk implementéiert. Déi éischt Etapp leeft e Modell fir Bestëmmung vun der Plaz vun Objete vun Interessi, an der zweeter Etapp benotzt engem Associatioun Sich Modell benotzt Objete nei z'identifizéieren an ankeren hinnen befestegt.
FairMOT benotzt eng Een-Etapp Implementatioun baséiert op engem deformable convolutional neural Reseau (, Deformable Convolutional Network), wat Iech erlaabt eng merkbar Erhéijung vun der Geschwindegkeet vun der Objektverfolgung z'erreechen. FairMOT schafft ouni Anker, mat engem Re-Identifikatiounsmechanismus fir d'Offsets vun Objektzentren op enger héichpräzis Objektkaart ze bestëmmen. Parallel gëtt e Prozessor ausgeführt, deen d'individuell Feature vun Objeten evaluéiert, déi benotzt kënne fir hir Identitéit virauszesoen, an den Haaptmodul mécht eng Konvergenz vun dëse Funktiounen fir Objete vu verschiddene Skalen ze manipuléieren.
Fir de Modell am FairMOT ze trainéieren, gouf eng Kombinatioun vu sechs ëffentleche Datesätz fir Leiterkennung a Sich benotzt (ETH, CityPerson, CalTech, MOT17, CUHK-SYSU). De Modell gouf mat Testsets vu Videoe getest , , и vum Projet zur Verfügung gestallt an iwwerdeckt verschidde Situatiounen, Kamera Bewegung oder Rotatioun, verschidde Vue Wénkel. Den Test huet dat gewisen
FairMOT schnellsten konkurréiere Modeller и wann se op 30 Frames pro Sekonn Videostream getest ginn, beweist d'Leeschtung genuch fir regelméisseg Videostreamen ze analyséieren.
Source: opennet.ru