Microsoft ۽ مرڪزي چين يونيورسٽي مان محقق مشين لرننگ ٽيڪنالاجي استعمال ڪندي وڊيو ۾ گھڻن شين کي ٽريڪ ڪرڻ لاءِ ھڪڙو نئون اعليٰ ڪارڪردگي جو طريقو - FairMOT (Fair Multi-Object Tracking). Pytorch ۽ تربيت يافته ماڊل جي بنياد تي طريقي سان عمل درآمد سان ڪوڊ GitHub تي.
اڪثر موجود اعتراض جي ٽريڪنگ جا طريقا استعمال ڪن ٿا ٻه مرحلا، هر هڪ الڳ نيورل نيٽ ورڪ طرفان لاڳو ڪيو ويو آهي. پهرين اسٽيج ۾ دلچسپي جي شين جي جڳهه کي طئي ڪرڻ لاء هڪ ماڊل هلندو آهي، ۽ ٻيو اسٽيج هڪ انجمن جي ڳولا جو ماڊل استعمال ڪري ٿو جيڪو شين کي ٻيهر سڃاڻڻ ۽ انهن سان لنگر ڳنڍڻ لاء استعمال ڪيو ويندو آهي.
FairMOT استعمال ڪري ٿو ھڪڙي اسٽيج تي عمل درآمد جي بنياد تي ھڪڙي غير معياري ڪنوولوشنل نيورل نيٽورڪ (، Deformable Convolutional Network)، جيڪو توهان کي اعتراض جي ٽريڪنگ جي رفتار ۾ قابل ذڪر اضافو حاصل ڪرڻ جي اجازت ڏئي ٿو. FairMOT لنگر کان سواءِ ڪم ڪري ٿو، ٻيهر سڃاڻپ واري ميکانيزم کي استعمال ڪندي اعتراض سينٽرن جي آفيسن جو تعين ڪرڻ لاءِ هڪ اعليٰ نفيس اعتراض واري نقشي تي. متوازي طور تي، هڪ پروسيسر تي عمل ڪيو ويندو آهي جيڪو شين جي انفرادي خاصيتن جو جائزو وٺندو آهي جيڪي انهن جي سڃاڻپ جي اڳڪٿي ڪرڻ لاء استعمال ڪري سگھجن ٿيون، ۽ مکيه ماڊل انهن خاصيتن جي ڪنورجن کي انجام ڏئي ٿو مختلف اسڪيلن جي شين کي ترتيب ڏيڻ لاء.
FairMOT ۾ ماڊل کي تربيت ڏيڻ لاءِ، ماڻهن جي ڳولا ۽ ڳولا لاءِ ڇهن عوامي ڊيٽا سيٽن جو مجموعو استعمال ڪيو ويو (ETH, CityPerson, CalTech, MOT17, CUHK-SYSU). ماڊل کي وڊيوز جي ٽيسٽ سيٽ استعمال ڪندي آزمايو ويو , , и پروجيڪٽ پاران مهيا ڪيل ۽ مختلف حالتن کي ڍڪڻ، ڪئميرا جي حرڪت يا گردش، مختلف ڏسڻ جا زاويه. ٽيسٽ ڏيکاري ٿي ته
FairMOT تيز ترين مقابلي جا ماڊل и جڏهن 30 فريم في سيڪنڊ ويڊيو اسٽريمز تي آزمايو ويو، ڪارڪردگي جو مظاهرو ڪرڻ ڪافي آهي ته فلائي تي باقاعده وڊيو اسٽريمز جو تجزيو ڪرڻ لاءِ.
جو ذريعو: opennet.ru
