Introducción
Desde que las redes neuronales comenzaron a ganar popularidad, la mayoría de los ingenieros comenzaron a resolver muchos de los problemas del software en el campo de la seguridad pública utilizando métodos de aprendizaje profundo. A pesar de que las redes neuronales no tienen competidores en términos de detección e identificación de objetos, todavía no pueden presumir de la capacidad de analizar y razonar, sino que solo crean patrones que no siempre pueden entenderse o interpretarse.
Opinamos que los enfoques interpretables y predecibles, como, por ejemplo, el enfoque de asociación probabilística de datos, serán más efectivos para rastrear múltiples objetos.
La precisión del seguimiento y las ventajas del enfoque que hemos elegido son claramente visibles (más en la publicación):
Comparación del popular rastreador Re3 (izquierda) y nuestro componente AcurusTrack (derecha)
: “ Public Safety Software”. , - . , .
Public Safety , . ( , , ..). , , .
, , ( "" ), , , , ..
, . , , .
, :
, ( ) , , . — . , , , .
N , . F_1, ..., F_N. (detections) D_1,...,D_k, k<=N. i=1,...,N, (id).
, , , . , , iou — intersection over union — k k-1 ; . , , , .
, , , , . , : OY y , O — x, , . , (x, y), i- , (i∗img_w+x, y), img_w — .
, ( OX )
, , EvenVizion, .
. , (data association).
, , - (MCMC).
:
, :
- ;
- EvenVizion;
- ;
- , .
AcurusTrack
, :
- ,
AcurusTrack , :
- : , ;
- .
computer vision. , , .. .
AcurusTrack , , .
, , ( ).
, — GitHub.