FairMOT, ਵੀਡੀਓ 'ਤੇ ਕਈ ਵਸਤੂਆਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਟਰੈਕ ਕਰਨ ਲਈ ਇੱਕ ਸਿਸਟਮ

ਮਾਈਕ੍ਰੋਸਾਫਟ ਅਤੇ ਸੈਂਟਰਲ ਚਾਈਨਾ ਯੂਨੀਵਰਸਿਟੀ ਦੇ ਖੋਜਕਰਤਾਵਾਂ ਵਿਕਸਿਤ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵੀਡੀਓ ਵਿੱਚ ਮਲਟੀਪਲ ਆਬਜੈਕਟ ਨੂੰ ਟਰੈਕ ਕਰਨ ਲਈ ਇੱਕ ਨਵੀਂ ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਵਿਧੀ - ਫੇਅਰਮੋਟ (ਫੇਅਰ ਮਲਟੀ-ਆਬਜੈਕਟ ਟ੍ਰੈਕਿੰਗ)। ਪਾਈਟੋਰਚ ਅਤੇ ਸਿਖਿਅਤ ਮਾਡਲਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਵਿਧੀ ਲਾਗੂ ਕਰਨ ਵਾਲਾ ਕੋਡ ਪ੍ਰਕਾਸ਼ਿਤ GitHub 'ਤੇ.

ਜ਼ਿਆਦਾਤਰ ਮੌਜੂਦਾ ਆਬਜੈਕਟ ਟਰੈਕਿੰਗ ਵਿਧੀਆਂ ਦੋ ਪੜਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੀਆਂ ਹਨ, ਹਰੇਕ ਨੂੰ ਇੱਕ ਵੱਖਰੇ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੁਆਰਾ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਪਹਿਲਾ ਪੜਾਅ ਦਿਲਚਸਪੀ ਵਾਲੀਆਂ ਵਸਤੂਆਂ ਦੀ ਸਥਿਤੀ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਇੱਕ ਮਾਡਲ ਚਲਾਉਂਦਾ ਹੈ, ਅਤੇ ਦੂਜਾ ਪੜਾਅ ਵਸਤੂਆਂ ਦੀ ਮੁੜ-ਪਛਾਣ ਕਰਨ ਅਤੇ ਉਹਨਾਂ ਨਾਲ ਐਂਕਰ ਜੋੜਨ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਇੱਕ ਐਸੋਸੀਏਸ਼ਨ ਖੋਜ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।

ਫੇਅਰਮੋਟ ਇੱਕ ਵਿਗਾੜਯੋਗ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈਟਵਰਕ (ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ-ਪੜਾਅ ਲਾਗੂ ਕਰਨ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ)DCNv2, deformable Convolutional Network), ਜੋ ਤੁਹਾਨੂੰ ਆਬਜੈਕਟ ਟਰੈਕਿੰਗ ਦੀ ਗਤੀ ਵਿੱਚ ਇੱਕ ਧਿਆਨ ਦੇਣ ਯੋਗ ਵਾਧਾ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ. FairMOT ਇੱਕ ਉੱਚ-ਸ਼ੁੱਧਤਾ ਆਬਜੈਕਟ ਮੈਪ 'ਤੇ ਆਬਜੈਕਟ ਸੈਂਟਰਾਂ ਦੇ ਆਫਸੈਟਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਇੱਕ ਮੁੜ-ਪਛਾਣ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਐਂਕਰਾਂ ਤੋਂ ਬਿਨਾਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਸਮਾਨਾਂਤਰ ਵਿੱਚ, ਇੱਕ ਪ੍ਰੋਸੈਸਰ ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ ਜੋ ਵਸਤੂਆਂ ਦੀਆਂ ਵਿਅਕਤੀਗਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ ਜੋ ਉਹਨਾਂ ਦੀ ਪਛਾਣ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਵਰਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ, ਅਤੇ ਮੁੱਖ ਮੋਡੀਊਲ ਵੱਖ-ਵੱਖ ਪੈਮਾਨਿਆਂ ਦੀਆਂ ਵਸਤੂਆਂ ਨੂੰ ਹੇਰਾਫੇਰੀ ਕਰਨ ਲਈ ਇਹਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਕਨਵਰਜੈਂਸ ਕਰਦਾ ਹੈ।

FairMOT ਵਿੱਚ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ, ਲੋਕਾਂ ਦੀ ਖੋਜ ਅਤੇ ਖੋਜ ਲਈ ਛੇ ਜਨਤਕ ਡੇਟਾਸੈਟਾਂ ਦੇ ਸੁਮੇਲ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ (ETH, CityPerson, CalTech, MOT17, CUHK-SYSU)। ਵੀਡੀਓਜ਼ ਦੇ ਟੈਸਟ ਸੈੱਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਡਲ ਦੀ ਜਾਂਚ ਕੀਤੀ ਗਈ ਸੀ 2DMOT15, MOT16, MOT17 и MOT20ਪ੍ਰੋਜੈਕਟ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤਾ ਗਿਆ ਹੈ MOT ਚੁਣੌਤੀ ਅਤੇ ਵੱਖ-ਵੱਖ ਸਥਿਤੀਆਂ, ਕੈਮਰੇ ਦੀ ਗਤੀ ਜਾਂ ਰੋਟੇਸ਼ਨ, ਵੱਖ-ਵੱਖ ਦੇਖਣ ਦੇ ਕੋਣਾਂ ਨੂੰ ਕਵਰ ਕਰਨਾ। ਟੈਸਟਿੰਗ ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ
ਫੇਅਰਮੋਟ ਬਾਹਰ ਸਭ ਤੋਂ ਤੇਜ਼ ਮੁਕਾਬਲੇ ਵਾਲੇ ਮਾਡਲ TrackRCNN и ਜੇਡੀਈ ਜਦੋਂ 30 ਫ੍ਰੇਮ ਪ੍ਰਤੀ ਸਕਿੰਟ ਵੀਡੀਓ ਸਟ੍ਰੀਮ 'ਤੇ ਟੈਸਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਫਲਾਈ 'ਤੇ ਨਿਯਮਤ ਵੀਡੀਓ ਸਟ੍ਰੀਮਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ।

ਸਰੋਤ: opennet.ru