ردیابی چندشی در ویدیوهای شلوغ با معماری ترنسفورمر

ردیابی چندشی به شناسایی اشیاء در هر فریم ویدیو و حفظ شناسه یکتای آنها در طول زمان گفته می شود. در صحنه های شلوغ مانند خیابان های پرترافیک، استادیوم ها و میادین شهری انسداد مکرر، شباهت ظاهری اشیاء و تغییرات سریع موقعیت این کار را دشوار می کند. روش های سنتی که تشخیص و ردیابی را در دو مرحله جداگانه انجام می دهند در چنین شرایطی با خطاهایی مانند جابه جایی هویت و قطع مسیر روبه رو می شوند. این مقاله ابتدا روش های مبتنی بر تشخیص را مرور می کند سپس معماری ترنسفورمر و مدل DETR را معرفی می کند و بعد مدل های MOT TransTrack ،TrackFormer و نسخه های بعدی آن GTR ،MeMOT و TransCenter را بررسی می کند. در پایان مجموعه داده ها و معیارهای رایج معرفی و عملکرد گزارش شده مدل ها با هم مقایسه می شود.

کلیدواژه ها:

ردیابی چندشی ، ترنسفورمر ، بینایی ماشین ، ویدیوهای شلوغ ، کوئری ردیابی