ASDTracker: Detección Adaptativa Dispersa con Refinamiento Guiado por Atención para un Seguimiento Eficiente de...

Área de la Ciencia:

• Visión por Computadora
• Inteligencia Artificial
• Robótica

Sus antecedentes:

• Los métodos de seguimiento por detección son efectivos para el seguimiento de múltiples objetos (MOT) pero son computacionalmente costosos.
• La alta carga computacional proviene de los procesos de detección y reidentificación (ReID).
• Las aplicaciones en tiempo real requieren soluciones MOT eficientes.

Objetivo del estudio:

• Desarrollar un algoritmo eficiente de seguimiento por detección (ASDTracker) que mantenga un alto rendimiento.
• Reducir la carga computacional gestionando adaptativamente el uso del detector.
• Permitir el MOT en tiempo real para aplicaciones como vehículos de superficie no tripulados.

Principales métodos:

• ASDTracker emplea detección adaptativa dispersa con refinamiento guiado por atención.
• Evalúa dinámicamente la oclusión para decidir cuándo usar el costoso detector.
• La red de refinamiento se entrena con etiquetas de sombra ruidosas para fotogramas no clave y utiliza características de apariencia ligeras en lugar de redes ReID pesadas.

Principales resultados:

• ASDTracker logra una generalización y robustez competitivas en cuatro puntos de referencia.
• Demuestra una velocidad de inferencia favorable en comparación con los métodos existentes.
• Desplegado con éxito en un vehículo de superficie no tripulado con alta precisión y baja latencia.

Conclusiones:

• ASDTracker ofrece una solución eficiente y efectiva para el seguimiento de múltiples objetos en tiempo real.
• El enfoque adaptativo equilibra con éxito el costo computacional y la precisión del seguimiento.
• El método muestra ser prometedor para aplicaciones robóticas del mundo real que requieren percepción de baja latencia.