Un algoritmo de seguimiento de objetos en dos etapas con transformador y mecanismo de atención
Ver abstracta en PubMed
Resumen
Este resumen es generado por máquina.Este estudio introduce un modelo mejorado de seguimiento de múltiples objetos utilizando YOLOv8 y ByteTrack mejorados para abordar la oclusión y los interruptores de identidad en la seguridad de la ingeniería. El modelo logra una alta precisión en el seguimiento de peatones, mejorando la seguridad al reducir los errores y mejorar la robustez.
Área De La Ciencia
- Seguridad de la ingeniería
- Visión por computadora
- Inteligencia artificial
Sus Antecedentes
- El seguimiento de múltiples objetos se enfrenta a desafíos con la oclusión y los frecuentes interruptores de identidad (ID) en aplicaciones de seguridad de ingeniería.
- Los modelos existentes de seguimiento por detección luchan con la detección precisa y el mantenimiento de la identidad del objetivo en condiciones difíciles.
Objetivo Del Estudio
- Proponer un modelo avanzado de seguimiento de múltiples objetos que integre la versión 8 mejorada de You Only Look Once (YOLOv8) y el seguimiento de múltiples objetos de alto rendimiento mediante el seguimiento de bytes (ByteTrack).
- Mejorar las capacidades de detección y reidentificación de objetos para mitigar los problemas de oclusión y reducir los interruptores de identificación para mejorar la robustez del seguimiento.
Principales Métodos
- Desarrolló un nuevo módulo Coordinate Attention Spatial Pyramid Pooling - Fast Conv (CASPPFC) y lo integró con un transformador de visión eficiente mejorado (EfficientViT) para mejorar la columna vertebral YOLOv8.
- Se introdujo la Atención de Coordenadas de Red a Escala Omni (OSNet-CA) para una extracción efectiva de características de Reidentificación (Re-ID).
- Utilizó el método de intersección eficiente sobre la Unión (EIoU) en la fase de asociación para refinar las relaciones posicionales objetivo.
Principales Resultados
- El modelo mejorado logró 80,5% MOTA, 79,3% IDF1 y 64,2% HOTA en el conjunto de datos MOT17.
- En el conjunto de datos MOT20, el modelo alcanzó el 77,8% de MOTA, el 76,9% de IDF1 y el 62,4% de HOTA.
- Se demostró una reducción significativa de los falsos positivos, los falsos negativos y los cambios de identidad en comparación con los métodos de referencia.
Conclusiones
- El modelo de seguimiento de múltiples objetos propuesto aborda efectivamente los desafíos de la oclusión y el interruptor de identificación en la seguridad de la ingeniería.
- La integración de módulos avanzados como CASPPFC, EfficientViT, OSNet-CA y EIoU aumenta significativamente la precisión y la robustez del seguimiento.
- El modelo proporciona un seguimiento de peatones de alta precisión, crucial para la detección oportuna de eventos peligrosos y para garantizar la seguridad del personal en entornos de ingeniería.
Videos de Conceptos Relacionados
In scenarios involving parallel transformers with disparate ratings, developing per-unit models requires accommodating off-nominal turns ratios. This situation arises when the selected base voltages are not proportional to the transformer’s voltage ratings. Consider a transformer where the rated voltages are related by the term a. If the chosen voltage bases satisfy a relationship involving term b, term c is defined as the ratio of these bases. This ratio is then substituted into the...
Cruise control systems in cars are designed as multi-input systems to maintain a driver's desired speed while compensating for external disturbances such as changes in terrain. The block diagram for a cruise control system typically includes two main inputs: the desired speed set by the driver and any external disturbances, such as the incline of the road. By adjusting the engine throttle, the system maintains the vehicle's speed as close to the desired value as possible.
In the absence...

