ردیابی چندشیء در ویدیوهای شلوغ با معماری ترنسفورمر

ردیابی چندشیء در ویدیوهای شلوغ با معماری ترنسفورمر

محمد فلاح زاده1 پویا الهامی2

1) دانشجوی گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد شیراز
2) دانشجوی گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد شیراز

کد IOI مقاله : AAHD-ABKHCA
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    ردیابی چندشیء به شناسایی اشیاء در هر فریم ویدیو و حفظ شناسه یکتای آن‌ها در طول زمان گفته می‌شود. در صحنه‌های شلوغ، مانند خیابان‌های پرترافیک، استادیوم‌ها و میادین شهری، انسداد مکرر، شباهت ظاهری اشیاء و تغییرات سریع موقعیت این کار را دشوار می‌کند. روش‌های سنتی که تشخیص و ردیابی را در دو مرحله جداگانه انجام می‌دهند، در چنین شرایطی با خطاهایی مانند جابه‌جایی هویت و قطع مسیر روبه‌رو می‌شوند. این مقاله ابتدا روش‌های مبتنی بر تشخیص را مرور می‌کند، سپس معماری ترنسفورمر و مدل DETR را معرفی می‌کند و بعد مدل‌های TrackFormer، TransTrack، MOTR (و نسخه‌های بعدی آن)، MeMOT، GTR و TransCenter را بررسی می‌کند. در پایان، مجموعه‌داده‌ها و معیارهای رایج معرفی و عملکرد گزارش‌شده مدل‌ها با هم مقایسه می‌شود.

کلمات کلیدی : ردیابی چندشیء ترنسفورمر بینایی ماشین ویدیوهای شلوغ کوئری ردیابی