Качество методов трекинга с реидентификацией объектов
https://doi.org/10.21822/2073-6185-2024-51-3-103-109
Аннотация
Цель. В настоящей работе представлены исследования алгоритмов отслеживания объектов для анализа спортивных соревнований с минимально допустимым количеством кадров в секунду без критической потери качества систем эксплуатации. Цель исследования заключается в определении оптимального метода отслеживания и модели реидентификации при увеличении интервала времени между кадрами. Метод. В ходе исследования использовали датасеты Re-Identification MSMT17, Market1501, DukeMTMC-reID; специализированные нейронные сети OsNet, ResNet и MobileNet. Алгоритмы трекинга BotSort, Bytetrack, OcSort, DeepOcSort, StrongSort. Применяли метрику качества NOTA и IDF1. Результат. Показатели метрик проведенных экспериментов в целом достаточно низкие, что связано с нелинейностью передвижения спортсменов в отличии от движения пешеходов и большим количеством изменений их позы. Вывод. В зависимости от степени сжатия информации оптимальными методами отслеживания, при использовании предобученных моделей реидентификации, являются ByteTrack и OcSort.
Об авторах
Н. А. Мальцева
Уральский федеральный университет
Россия
Россия
Мальцева Наталья Анатольевна, инженер
620014, г. Екатеринбург, ул. Мира 19
А. А. Полозов
Уральский федеральный университет
Россия
Россия
Полозов Андрей Анатольевич, доктор педагогических наук, профессор кафедры информационных технологий и систем управления
620014, г. Екатеринбург, ул. Мира 19
Н. В. Папуловская
Уральский федеральный университет
Россия
Россия
Папуловская Наталья Владимировна, кандидат педагогических наук, доцент кафедры информационных технологий и систем управления
620014, г. Екатеринбург, ул. Мира 19
С. Л. Гольдштейн
Уральский федеральный университет
Россия
Россия
Гольдштейн Сергей Людвигович, доктор технических наук, профессор, профессор кафедры технической физики
620014, г. Екатеринбург, ул. Мира 19
Список литературы
1. H. Masson, A. Bhuiyan, L. Th. Nguyen-Meidine, M. Javan, P. Siva, I. B. Ayed, E. Granger, «Использование Prunability для повторной идентификации личности», 2021, arXiv:1907.02547.
2. L. Wu, Y. Wang, J. Gao, D. Tao, «Глубокие компараторы на основе совместного внимания для обучения относительному представлению при повторной идентификации личности», 2018, arXiv:1804.11027.
3. L. Wei, S. Zhang, W. Gao, Qi Tian, «GAN для переноса личности в мост доменного разрыва для повторной идентификации личности», 2018, arXiv:1711.08565.
4. E. Ristani, F. SoleraRoger, Z. Cucchiara и C. Tomasi, «Показатели производительности и набор данных для многоцелевого многокамерного отслеживания», в ECCV Workshop on Benchmarking MultiTarget Tracking, 2016, стр. 17–35.
5. K. Zhou, Y. Yang, A. Cavallaro, T. Xiang, «Изучение обобщенных многомасштабных представлений для повторной идентификации личности», 2021, arXiv:1910.06827.
6. L. Zheng, S. Wang, L. Shen, L. Tian, J. Bu, Q. Tian, «Повторная идентификация личности встречается с поиском изображений», 2015, arXiv:1502.02171.
7. W. Li, R. Zhao, T. Xiao, X.G. Wang, «DeepReID: Глубокая фильтрация парных нейронных сетей для повторной идентификации личности», 2014, DOI:10.1109/CVPR.2014.27.
8. K. He, X. Zhang, Shaoqing Ren, Jian Sun, «Глубокое остаточное обучение для распознавания изображений», 2015, arXiv:1512.03385.
9. M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, L.-C. Chen, «MobileNetV2: инвертированные остатки и линейные узкие места», 2018, arXiv:1801.04381.
10. K. Zhou, T. Xiang, «Torchreid: библиотека для глубокого обучения повторной идентификации человека в Pytorch», 2019, arXiv:1910.10093.
11. N. Aharon, R. Orfaig, B.-Z. Bobrovsky, «BoT-SORT: надежные ассоциации отслеживания нескольких пешеходов», 2022, arXiv:2206.14651.
12. Y. Zhang, P. Sun, Y. Jiang, D. Yu, F. Weng, Z. Yuan, P. Luo, W. Liu, X. Wang. «ByteTrack: отслеживание нескольких объектов путем связывания каждого поля обнаружения», 2022, arXiv:2110.06864v3.
13. J. Cao, J. Pang, X. Weng, R. Khirodkar, K. Kitani, «SORT, ориентированная на наблюдение: переосмысление SORT для надежного отслеживания нескольких объектов», 2023, arXiv:2203.14360
14. N. Wojke, A. Bewley, D. Paulus, «Простое отслеживание в режиме онлайн и в реальном времени с глубокой метрикой ассоциации», ICIP. IEEE, 2017, стр. 3645–3649.
15. G.Maggiolino, A. Ahmad, J. Cao, K. Kitani, «Deep OC-SORT: отслеживание нескольких пешеходов с помощью адаптивной повторной идентификации», 2023, arXiv:2302.11813v1
16. Y.Du, Z.Zhao, Y.Song, Y.Zhao, F.Su, T.Gong, H. Meng, «StrongSORT: снова делаем DeepSORT великим», 2023, arXiv:2202.13514v2
17. J. Luiten, A.Osep, P, Dendorfer, P. Torr, A. Geiger, L. Leal-Taixe, B. Leibe1, «HOTA: высший порядок Метрика для оценки отслеживания нескольких объектов. International Journal of Computer Vision”, International Journal of Computer Vision, стр. 548–578, 2021.
Рецензия
Для цитирования:
Мальцева Н.А., Полозов А.А., Папуловская Н.В., Гольдштейн С.Л. Качество методов трекинга с реидентификацией объектов. Вестник Дагестанского государственного технического университета. Технические науки. 2024;51(3):103-109. https://doi.org/10.21822/2073-6185-2024-51-3-103-109
For citation:
Maltceva N.A., Polozov A.A., Papulovskaya N.V., Goldshtein S.L. Quality of tracking methods with object reidentification. Herald of Dagestan State Technical University. Technical Sciences. 2024;51(3):103-109. (In Russ.) https://doi.org/10.21822/2073-6185-2024-51-3-103-109
Просмотров:
160
Послать статью по эл. почте 
