Hulumtuesit nga kompania Microsoft dhe Universiteti Qendror i KinĂ«s metodĂ« e re me performancĂ« tĂ« lartĂ« pĂ«r ndjekjen e disa objekteve nĂ« video duke pĂ«rdorur teknologjitĂ« e mĂ«simit tĂ« makinerive â FairMOT (Ndjekja e DrejtĂ« e Multi-Objekteve). Kodi i implementimit tĂ« metodĂ«s bazuar nĂ« Pytorch dhe modelet e trajnuara nĂ« GitHub.
Shumica e metodave ekzistuese për ndjekjen e objekteve përdorin dy faza, secila prej të cilave implementohet nga një rrjet neural i veçantë. Në fazën e parë, zbatohet modeli për identifikimin e vendeve të objekteve të interesit, ndërsa në fazën e dytë përdoret modeli i kërkimit të asocimeve, i cili aplikohet për ri-identifikimin e objekteve dhe lidhjen e tyre me ankorat.
Në FairMOT aplikohet një implementim me një fazë i bazuar në rrjetin neural konvolucional të deformueshëm (, Rrjeti Konvolucional Deformues), i cili lejon të arrihet një rritje të konsiderueshme të shpejtësisë së ndjekjes së objekteve. FairMOT punon pa lidhje ankorash, duke përdorur mekanizmin e riidentifikimit për të përcaktuar devijimet e qendrave të objekteve në një hartë të objekteve me saktësi të lartë. Në paralel, ekzekutohet një procesor, i cili vlerëson veçoritë individuale të objekteve, të cilat mund të përdoren për të parashikuar identitetin e tyre, ndërsa moduli kryesor përcjell këto veçori për manipulimin e objekteve me përmasa të ndryshme.
Për trajnimimin e modelit në FairMOT është përdorur një kombinim i gjashtë grupeve të të dhënave publike për identifikimin dhe kërkimin e njerëzve (ETH, CityPerson, CalTech, MOT17, CUHK-SYSU). Modeli është testuar duke përdorur grupe verifikimi të videove , , dhe , të ofruara nga projekti dhe që mbulojnë situata të ndryshme, lëvizjen ose rotacionin e kamerës, dhe këndet e ndryshme të pamjes. Testimi i kryer tregoi se
FairMOT modelet konkurente më të shpejta dhe në testimin e videove me 30 kadra në sekondë, duke demonstruar performancën e mjaftueshme për analizimin e flukseve normale të videove.
Burimi: opennet.ru
