Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (16)
Semelhante a Rastreamento em Tempo Real de Múltiplos Objetos por Associação de Detecções
Semelhante a Rastreamento em Tempo Real de Múltiplos Objetos por Associação de Detecções (20)
Rastreamento em Tempo Real de Múltiplos Objetos por Associação de Detecções
- 1. 1 Rastreamento em Tempo Real de Múltiplos Objetos por Associação de Detecções Michel Meneses Programa de Pós-Graduação em Ciência da Computação / UFS
- 2. 2
- 3. 3
- 4. 4
- 5. 5
- 6. 6
- 7. 7
- 8. 172 8
- 9. 172 260 9
- 10. 172 260 245 10
- 13. 13
- 14. 14
- 15. 15
- 16. 16
- 17. 17
- 18. 18
- 19. 19
- 20. 20
- 22. REGRESSOR 22
- 25. REGRESSOR Features Obj1 Features Obj2 c1,2 ∈ [-1,1] 25
- 26. Explorar o uso de modelos de aprendizado de máquina para a análise em tempo real da similaridade entre objetos detectados durante o rastreamento. 26 OBJETIVO
- 27. 27 METODOLOGIA 1. FRAMEWORK 2. REGRESSOR 3. AVALIAÇÃO
- 28. 28 FRAMEWORK
- 32. Quadro 1 Quadro 2 d1Det Ext d4Det Ext 32
- 33. Quadro 1 Quadro 2 d1Det Ext Features 1 d4Det Ext Features 4 33
- 34. Quadro 1 Quadro 2 d1Det Ext Features 1 d4Det Ext Features 4 34
- 35. Quadro 1 Quadro 2 d1Det Ext Features 1 d4Det Ext Features 4 35 Regressor
- 36. Quadro 1 Quadro 2 d1Det Ext Features 1 d4Det Ext Features 4 c1,4 36 Regressor
- 37. Quadro 1 Quadro 2 d1 d1 d2 d3 d4 d5 d6 c1,4 Det Ext Features 1 d4Det Ext Features 4 c1,4 37 Regressor
- 39. 39
- 42. Quadro 1 Quadro 2 d1 d1 d2 d3 d4 d5 d6 c1,4 Det Ext Features 1 d4Det Ext Features 4 c1,4 42 Regressor
- 43. FRAMEWORK = SmartSORT Simple Online and Realtime Tracking 43
- 45. 45 METODOLOGIA 1. FRAMEWORK 2. REGRESSOR 3. AVALIAÇÃO
- 46. t = τ t = τ + Δt 46
- 47. t = τ t = τ + Δt 47
- 48. t = τ t = τ + Δt 48
- 49. f = [u, v, h, r, Δu, Δv, Δh, Δr, Δa, Δt] 49
- 50. f = [u, v, h, r, Δu, Δv, Δh, Δr, Δa, Δt] Movimentação Aparência 50
- 51. t = τ t = τ + Δt 51
- 52. 52
- 53. (u, v) 53
- 54. (u, v)h 54
- 55. (u, v)h r 55
- 56. 56
- 57. (Δu, Δv) 57
- 58. 58
- 59. Δh 59
- 60. Δh Δr 60
- 61. f = [u, v, h, r, Δu, Δv, Δh, Δr] 61
- 62. t = τ t = τ + Δt 62
- 63. t = τ t = τ + Δt 63
- 64. CNN 42 7 ... 13 26 64px 128px 128 64
- 66. 66 1,100,000 imagens 1261 pedestres MARS Dataset
- 67. t = τ t = τ + Δt 67
- 68. t = τ t = τ + Δt 42 7 ... 13 26 40 11 ... 10 25 68
- 69. Δa = distância do cosseno 69
- 70. f = [u, v, h, r, Δu, Δv, Δh, Δr, Δa] 70
- 71. f = [u, v, h, r, Δu, Δv, Δh, Δr, Δa, Δt] 71
- 72. COMO APRIMORAR REPRESENTAÇÃO DE MOVIMENTAÇÃO? 72
- 73. t = τ t = τ + Δt 73
- 74. t = τ t = τ + Δt 74
- 77. 77
- 78. 78
- 79. 79
- 80. 80 METODOLOGIA 1. FRAMEWORK 2. REGRESSOR 3. AVALIAÇÃO
- 81. 81 RASTREAMENTO DE PEDESTRES RASTREAMENTO DE PASSAGEIROS CONTAGEM DE PASSAGEIROS
- 82. 82 RASTREAMENTO DE PEDESTRES RASTREAMENTO DE PASSAGEIROS CONTAGEM DE PASSAGEIROS
- 83. 83
- 84. 84
- 85. 85
- 86. 86
- 87. 87
- 88. 88
- 89. 89
- 90. RESULTADOS 90
- 91. Quadro 972 Quadro 990 91
- 92. 92
- 93. Método Acurácia ↑ Troca de ID ↓ FPS ↑ RAN 63.0% 482 1.6 CNNMT 65.2% 946 11 EA-PHD-PF 52.5% 910 12 POI 66.1% 805 10 IOU 57.1% 2167 3000 SORT 59.8% 1423 60 DeepSORT 61.4% 781 17 SmartSORT (proposto) 60.4% 1135 27 93
- 94. RESULTADOS DEMONSTRAM CUSTO-BENEFÍCIO DO MÉTODO 94
- 95. 95 RASTREAMENTO DE PEDESTRES RASTREAMENTO DE PASSAGEIROS CONTAGEM DE PASSAGEIROS
- 97. 97
- 98. 98
- 99. 99
- 100. 4 vídeos 22 trajetórias 7202 imagens 100
- 101. 101
- 102. 102
- 103. 103
- 104. 104
- 105. 105
- 106. 106
- 107. RESULTADOS 107
- 108. Quadro 3542 Quadro 3569 108
- 109. Quadro 370 Quadro 545 109
- 110. Método Acurácia ↑ Troca de ID ↓ FPS ↑ DeepSORT (baseline) 99.2% 3 545 SmartSORT (proposto) 99.2% 27 778 110
- 111. Quadro 877 Quadro 878 111
- 112. RESULTADOS DEMONSTRAM ADAPTABILIDADE DO MÉTODO PROPOSTO 112
- 113. 113 RASTREAMENTO DE PEDESTRES RASTREAMENTO DE PASSAGEIROS CONTAGEM DE PASSAGEIROS
- 115. 115
- 116. 116 Quadro inicial Quadro final
- 117. 117
- 118. 118 Detector YOLO (You Only Look Once)
- 119. 119
- 120. 120
- 121. Método Erro médio absoluto Desvio padrão DeepSORT (baseline) 0,86 0,78 SmartSORT (proposto) 0,51 0,61 121
- 122. Erro SmartSORT Erro DeepSORT Teste de Wilcoxon P-valor = 0.01975 Teste de Significância Estatística 122
- 123. Erro médio + Teste estatístico 95% de chance SmartSORT foi superior = 123
- 124. RESULTADOS DEMONSTRAM CAPACIDADE DE GENERALIZAÇÃO DO MODELO DE REGRESSÃO 124
- 125. 125 METODOLOGIA 1. FRAMEWORK 2. REGRESSOR 3. AVALIAÇÃO
- 126. 126 CONCLUSÕES
- 127. 127 CONHECIMENTO A RESPEITO DE PARADIGMA TRACKING-BY-DETECTION
- 128. 128 CRIAÇÃO DE METODOLOGIA PARA INDUÇÃO DE MODELO DE REGRESSÃO
- 129. 129 DESENVOLVIMENTO DE MÉTODO MOT ONLINE BASEADO NO MODELO DE REGRESSÃO
- 130. 130 A RELAÇÃO ACURÁCIA/VELOCIDADE DO MÉTODO É COMPETITIVA
- 131. 131 O MÉTODO DEMONSTRA-SE ADEQUADO PARA APLICAÇÕES EM TEMPO REAL
- 132. 132 A CAPACIDADE DE GENERALIZAÇÃO E ADAPTAÇÃO DO MÉTODO É COMPETITIVA
- 133. 133 O MÉTODO REQUER ESFORÇO PARA AQUISIÇÃO DE BASES DE DADOS
- 134. 134 O MÉTODO É DEPENDENTE DA QUALIDADE DAS DETECÇÕES
- 136. 136 EXPLORAR MODELOS RASOS ESPECÍFICOS PARA SÉRIES TEMPORAIS
- 137. 137 EXPERIMENTAR ALTERNATIVAS AO ALGORITMO BACKPROPAGATION
- 139. ➔ Revisão sistemática sobre MOT 139 PRODUTOS DESTA PESQUISA
- 140. ➔ Revisão sistemática sobre MOT ➔ Algoritmo de rastreamento SmartSORT 140 PRODUTOS DESTA PESQUISA
- 141. ➔ Revisão sistemática sobre MOT ➔ Algoritmo de rastreamento SmartSORT ➔ Base de dados BUS Challenge 2018 141 PRODUTOS DESTA PESQUISA
- 142. ➔ Revisão sistemática sobre MOT ➔ Algoritmo de rastreamento SmartSORT ➔ Base de dados BUS Challenge 2018 ➔ Ferramenta para contagem de pessoas 142 PRODUTOS DESTA PESQUISA
- 143. ➔ Revisão sistemática sobre MOT ➔ Algoritmo de rastreamento SmartSORT ➔ Base de dados BUS Challenge 2018 ➔ Ferramenta para contagem de pessoas ➔ Artigo para PRL 143 PRODUTOS DESTA PESQUISA