FairMOT, വീഡിയോയിൽ ഒന്നിലധികം ഒബ്‌ജക്‌റ്റുകൾ വേഗത്തിൽ ട്രാക്കുചെയ്യുന്നതിനുള്ള ഒരു സംവിധാനം

മൈക്രോസോഫ്റ്റിലെയും സെൻട്രൽ ചൈന യൂണിവേഴ്സിറ്റിയിലെയും ഗവേഷകർ വികസിപ്പിച്ചെടുത്തു മെഷീൻ ലേണിംഗ് സാങ്കേതികവിദ്യകൾ ഉപയോഗിച്ച് വീഡിയോയിൽ ഒന്നിലധികം ഒബ്‌ജക്റ്റുകൾ ട്രാക്കുചെയ്യുന്നതിനുള്ള ഒരു പുതിയ ഉയർന്ന പ്രകടന രീതി - FairMOT (ഫെയർ മൾട്ടി-ഒബ്‌ജക്റ്റ് ട്രാക്കിംഗ്). പൈറ്റോർച്ചിൻ്റെയും പരിശീലനം ലഭിച്ച മോഡലുകളുടെയും അടിസ്ഥാനത്തിൽ രീതി നടപ്പിലാക്കുന്ന കോഡ് പ്രസിദ്ധീകരിച്ചു GitHub-ൽ.

നിലവിലുള്ള ഒബ്ജക്റ്റ് ട്രാക്കിംഗ് രീതികൾ രണ്ട് ഘട്ടങ്ങൾ ഉപയോഗിക്കുന്നു, ഓരോന്നും പ്രത്യേക ന്യൂറൽ നെറ്റ്‌വർക്ക് നടപ്പിലാക്കുന്നു. ആദ്യ ഘട്ടത്തിൽ താൽപ്പര്യമുള്ള വസ്തുക്കളുടെ സ്ഥാനം നിർണ്ണയിക്കുന്നതിനുള്ള ഒരു മോഡൽ പ്രവർത്തിക്കുന്നു, രണ്ടാമത്തെ ഘട്ടം വസ്തുക്കളെ വീണ്ടും തിരിച്ചറിയുന്നതിനും അവയിൽ ആങ്കറുകൾ ഘടിപ്പിക്കുന്നതിനും ഉപയോഗിക്കുന്ന ഒരു അസോസിയേഷൻ തിരയൽ മോഡൽ ഉപയോഗിക്കുന്നു.

FairMOT ഒരു വികലമായ കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്ക് അടിസ്ഥാനമാക്കിയുള്ള ഒരു-ഘട്ട നടപ്പാക്കൽ ഉപയോഗിക്കുന്നു (DCNv2, ഡിഫോർമബിൾ കൺവല്യൂഷണൽ നെറ്റ്‌വർക്ക്), ഇത് ഒബ്‌ജക്റ്റ് ട്രാക്കിംഗിൻ്റെ വേഗതയിൽ ശ്രദ്ധേയമായ വർദ്ധനവ് നേടാൻ നിങ്ങളെ അനുവദിക്കുന്നു. ഉയർന്ന കൃത്യതയുള്ള ഒബ്‌ജക്‌റ്റ് മാപ്പിൽ ഒബ്‌ജക്റ്റ് സെൻ്ററുകളുടെ ഓഫ്‌സെറ്റുകൾ നിർണ്ണയിക്കാൻ റീ-ഐഡൻ്റിഫിക്കേഷൻ മെക്കാനിസം ഉപയോഗിച്ച്, ആങ്കറുകളില്ലാതെ ഫെയർമോട്ട് പ്രവർത്തിക്കുന്നു. സമാന്തരമായി, അവയുടെ ഐഡൻ്റിറ്റി പ്രവചിക്കാൻ ഉപയോഗിക്കാവുന്ന ഒബ്‌ജക്‌റ്റുകളുടെ വ്യക്തിഗത സവിശേഷതകൾ വിലയിരുത്തുന്ന ഒരു പ്രോസസ്സർ എക്‌സിക്യൂട്ട് ചെയ്യുന്നു, കൂടാതെ വിവിധ സ്കെയിലുകളുള്ള ഒബ്‌ജക്റ്റുകൾ കൈകാര്യം ചെയ്യുന്നതിന് പ്രധാന മൊഡ്യൂൾ ഈ സവിശേഷതകളുടെ സംയോജനം നടത്തുന്നു.

FairMOT-ൽ മോഡലിനെ പരിശീലിപ്പിക്കുന്നതിന്, ആളുകളെ കണ്ടെത്തുന്നതിനും തിരയുന്നതിനുമായി ആറ് പൊതു ഡാറ്റാസെറ്റുകളുടെ സംയോജനമാണ് ഉപയോഗിച്ചത് (ETH, CityPerson, CalTech, MOT17, CUHK-SYSU). വീഡിയോകളുടെ ടെസ്റ്റ് സെറ്റുകൾ ഉപയോഗിച്ചാണ് മോഡൽ പരീക്ഷിച്ചത് 2DMOT15, MOT16, MOT17 и MOT20പദ്ധതി നൽകിയത് MOT ചലഞ്ച് വ്യത്യസ്ത സാഹചര്യങ്ങൾ, ക്യാമറയുടെ ചലനം അല്ലെങ്കിൽ ഭ്രമണം, വ്യത്യസ്ത വീക്ഷണകോണുകൾ എന്നിവ ഉൾക്കൊള്ളുന്നു. പരിശോധനയിൽ അത് കാണിച്ചു
FairMOT പുറംഭാഗങ്ങൾ ഏറ്റവും വേഗതയേറിയ മത്സര മോഡലുകൾ ട്രാക്ക്ആർസിഎൻഎൻ и ജെ.ഡി.ഇ. സെക്കൻഡിൽ 30 ഫ്രെയിമുകൾ വീഡിയോ സ്ട്രീമുകളിൽ പരീക്ഷിക്കുമ്പോൾ, ഈച്ചയിൽ പതിവ് വീഡിയോ സ്ട്രീമുകൾ വിശകലനം ചെയ്യാൻ പര്യാപ്തമായ പ്രകടനം കാണിക്കുന്നു.

അവലംബം: opennet.ru