Computer vision i camera tracking: šta najviše utiče na multi-object tracking
Velika eksperimentalna analiza multi-object tracking sistema pokazuje da kvalitet detekcije ima veći uticaj na rezultat od samog izbora strategije povezivanja objekata između kadrova.
Detekcija ima dominantan uticaj
Autori su sistematski analizirali komponente za detekciju objekata, izdvajanje karakteristika i data association u dva glavna pravca vizuelnog multi-object trackinga.
Eksperimenti na MOT16, MOT17, MOT20, SportsMOT, DanceTrack i CrowdTrack skupovima pokazuju da poboljšanja detektora donose više od 10% dobitka, dok unapređenja association strategije donose manje od 5%.
Razlike među arhitekturama
Rad navodi da moderni deep-learning detektori u paru sa specijalizovanim re-identification modelima značajno nadmašuju zajedničke detection-and-embedding pristupe.
Transformer end-to-end metode pokazale su veću robusnost na promene kvaliteta detekcije, ali uz znatno veći računarski trošak.
Izvori
Prikazani su izvorni linkovi korišćeni za proveru objavljenih činjenica.
Komentari
Komentari se objavljuju nakon moderacije.
Još nema objavljenih komentara.