د مایکروسافټ او مرکزي چین پوهنتون څیړونکي د ماشین زده کړې ټیکنالوژیو په کارولو سره په ویډیو کې د ډیری شیانو تعقیب لپاره د لوړ فعالیت نوی میتود - FairMOT (د منصفانه څو شیانو تعقیب). د Pytorch او روزل شوي ماډلونو پر بنسټ د میتود پلي کولو سره کوډ په GitHub کې.
ډیری موجوده د اعتراض تعقیب میتودونه دوه مرحلې کاروي، هر یو د جلا عصبي شبکې لخوا پلي کیږي. لومړۍ مرحله د علاقې وړ شیانو موقعیت ټاکلو لپاره ماډل پرمخ وړي ، او دویمه مرحله د اتحادیې لټون ماډل کاروي چې د شیانو بیا پیژندلو او دوی ته لنگرونه ضمیمه کولو لپاره کارول کیږي.
FairMOT د یوې مرحلې پلي کولو څخه کار اخلي د خراب کیدونکي عصبي عصبي شبکې پراساس (، د خرابیدونکي کنولوشنل شبکه) ، کوم چې تاسو ته اجازه درکوي د اعتراض تعقیب سرعت کې د پام وړ زیاتوالی ترلاسه کړئ. FairMOT پرته له لنگرونو کار کوي، د بیا پیژندنې میکانیزم په کارولو سره د لوړ دقیق څیز نقشه کې د اعتراض مرکزونو آفسیټونه مشخص کوي. په موازي ډول، یو پروسیسر اجرا کیږي چې د شیانو انفرادي ځانګړتیاوې ارزوي چې د دوی د هویت د وړاندوینې لپاره کارول کیدی شي، او اصلي ماډل د مختلفو پیمانه توکو د مینځلو لپاره د دې ځانګړتیاوو همغږي ترسره کوي.
په FairMOT کې د ماډل روزلو لپاره، د خلکو د موندلو او لټون لپاره د شپږو عامه ډیټاسیټونو ترکیب کارول شوی و (ETH, CityPerson, CalTech, MOT17, CUHK-SYSU). ماډل د ویډیو د ټیسټ سیټونو په کارولو سره ازمول شوی و , , и د پروژې لخوا چمتو شوي او مختلف حالتونه پوښي ، د کیمرې حرکت یا گردش ، د لید مختلف زاویې. ازموینې دا وښودله
FairMOT ترټولو ګړندۍ سیالي کونکي ماډلونه и کله چې په هره ثانیه کې په 30 فریمونو کې ازمول شوي ویډیو جریانونه ، د الوتنې په جریان کې د منظم ویډیو جریانونو تحلیل لپاره کافي فعالیت ښیې.
سرچینه: opennet.ru