Suivi multiobjet à l'aide de l'apprentissage automatique et de points au haut des objets
Notice bibliographique
Résumé
RÉSUMÉ: Le suivi multiobjet est un domaine de recherche scientifique attrayant en raison des ses nombreuses applications académiques et commerciales. Cette tâche consiste à détecter les objets de classes prédéterminées à chaque trame d’une séquence vidéo, puis de faire l’association temporelle des détections afin de créer un tracklet pour chaque objet afin de modéliser son mouvement à travers la séquence vidéo. Le but est donc de concevoir une méthode qui parvient à créer les tracklets les plus fidèles à la réalité que possible. Les récentes avancées en apprentissage automatique ont permis de grandement améliorer les méthodes à l’état de l’art, mais il reste encore place à l’amélioration. En effet, un problème majeur qui doit toujours être surmonté est la gestion des occlusions. Les occlusions peuvent être catégorisées comme étant partielles ou complètes. D’abord, lorsqu’un objet est partiellement caché, il devient plus difficile à détecter à cause de la perte d’information que l’occlusion engendre. Il faut donc que notre méthode soit capable d’extraire des caractéristiques assez robustes afin d’être en mesure de détecter les objets même lorsqu’ils sont partiellement cachés. Puis, lorsqu’un objet est complètement caché, il devient impossible de le détecter avec les outils conventionnels, alors il est nécessaire d’adopter des stratégies spécifiquement conçues pour prédire son mouvement ou pour récupérer son tracklet une fois que l’objet redevient visible si l’on veut réussir à continuer de le suivre. ABSTRACT: Multi-object tracking has been a popular field of research in recent years because of its many academic and commercial uses. It consists of detecting objects of pre-defined classes at every frame of a video sequence and then associating them through time in order to create tracklets that model the trajectories of each object. The more the tracklets correspond to the actual trajectory of the objects, the better. Although, the field of multi-object tracking has existed for decades, recent advancements made in deep learning significantly improved the results achieved by tracking models. However, there are still many problems that need to be solved. One of the biggest problems that still plagues multi-object tracking is how to deal with partial and full occlusions. When an object is partially occluded, it becomes a lot harder to detect because of the loss of information incurred by the part of the object that is hidden. In these cases, it becomes extremely important that our method extracts robust and reliable features in order to be still able to detect the objects. When an object is fully occluded, it becomes impossible to detect it through conventional means, so it becomes necessary to use specially-crafted tools that can predict the movement of the object in order to follow it while it is fully occluded or that can link it back to its previous identity once it reappears.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».