ADVANCEMENTS IN OBJECT DETECTION AND TRACKING ALGORITHMS: AN OVERVIEW OF RECENT PROGRESS
Notice bibliographique
Résumé
In the realm of computer vision, object detection and tracking constitute fundamental tasks, and recent years have borne witness to astounding advancements attributed to the integration of deep learning techniques. This paper aims to provide a comprehensive overview of the remarkable progress achieved in the domain of object detection and tracking algorithms, shedding light on their profound implications for accuracy, speed, and practical applications in the real world. Advances in object detection have been primarily driven by the adoption of Convolutional Neural Networks (CNNs). Prominent models such as Faster R-CNN, YOLO (You Only Look Once), and SSD (Single Shot Multi-Box Detector) have emerged, significantly enhancing the precision of object identification. Additionally, efficient detectors like Efficient Det and Mobile Net have emerged, striking a balance between accuracy and computational efficiency, thereby enabling real-time applications, even on resource-constrained devices. For tracking, Multi-Object Tracking (MOT) algorithms have undergone improvements, incorporating graph-based approaches such as the Hungarian algorithm and Joint Probabilistic Data Association Filter (JPDAF). These advancements have enabled robust object tracking across video frames. This paper also delves into the synergy between deep learning and real-world applications, emphasizing the impact of these algorithms in domains like autonomous vehicles, surveillance systems, robotics, and augmented reality. KEYWORDS: Object detection, Tracking algorithms, Computer vision, Deep learning, Advancements, Real-world applications, Convolutional Neural Networks, Multi-Object Tracking, Autonomous vehicles, Surveillance, Robotics, Augmented reality.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».