DeepSORTtyyppiset

DeepSORTtyyppiset ovat monien kohteiden reaaliaikaiseen seurantaan tarkoitettuja algoritmeja, jotka ovat kehitetty DeepSORTin pohjalta. Ne parantavat perinteisen seurannan pysyvyyttä ja luotettavuutta yhdistämällä liikemalliin perustuvan ennustamisen syväoppimisella opittuihin ulkoasu-ominaisuuksiin. Näin ne voivat säilyttää identiteetin myös kun kohteet katvelevat tai kohtaavat peittävyyksiä.

Käyttö ja toimintaperiaate perustuvat useisiin peruselementteihin. Havainnot eli havaittu bounding box ja niihin liitetty luottamusarvo tulevat kohdehavaitsemilta detektioilta (esim. YOLO- tai Faster R-CNN -näkymistä). Seuranta rakentuu Kalman-suodattimen kautta tehtävästä ennusteesta sekä tietoihin perustuvasta liittymästä: muodostetaan kustannusmatriisi, jossa huomioidaan sekä liikkeen (esim. Mahalanobis-etäisyys tai IoU) että ulkoasun etäisyys. Hungarian-algoritmilla suoritetaan paritus havaintojen ja olemassa olevien seurantalohkojen välillä. Paritetut kohteet päivittävät tilansa, epäparitetut havainnot aloittavat uudet seurantalohkot ja vanhat seurantalohkot poistuvat, kun ne eivät enää kohdistu havaintoihin riittävän kauan.

Variation ja sovellukset. DeepSORTtyyppisiä järjestelmiä on erilaisia ulkoasun piirteiden verkkojen sekä koulutusdatan suhteen; eri toteutuksissa voi olla erilaisia kynnysarvoja, loogisia ehtoja ja päivitysstrategioita. Niitä käytetään laajalti videoseurannassa, kuten älykortteleissa, liikenne- ja turvallisuussovelluksissa, urheiluanalyysissä sekä robotiikassa, joissa tarvetta on sekä kohteiden tunnistettuun pysyvyyteen että nopeaan käsittelyyn.

Hyödyt ja rajoitteet. DeepSORTtyyppiset menetelmät tarjoavat hyvän kompromissin tarkkuuden ja reaaliaikaisuuden välille erityisesti mutkikkaissa tilanteissa, joissa pelkkä liikemalli ei riitä. Haasteina ovat laadukkaiden ulkoasuominaisuuksien ja tehokkaan laskennan tarve sekä altistuminen väärien identiteettien vaihtelulle, jos piirteet eivät erota kohteita hyvin.