オブジェクト追跡はコンピュータ ビジョンにおける重要なタスクであり、交通監視、ロボット工学、医療画像処理、自動車両追跡などの分野で広く使用されています。深層学習手法を使用して、ターゲット オブジェクトの初期位置を決定した後、ビデオ内の連続する各フレーム内のターゲット オブジェクトの位置を予測または推定します。オブジェクト追跡は実生活において幅広い用途があり、コンピュータ ビジョンの分野でも非常に重要です。
オブジェクト追跡には、通常、オブジェクト検出のプロセスが含まれます。オブジェクト追跡手順の概要は次のとおりです:
1. オブジェクト検出では、アルゴリズムがオブジェクトの周囲に境界ボックスを作成することによってオブジェクトを分類および検出します。
2. 各オブジェクトに一意の識別 (ID) を割り当てます。
3. 検出されたオブジェクトの動きをフレーム単位で追跡し、関連情報を保存します。
ターゲット追跡には、画像追跡とビデオ追跡の 2 種類があります。
画像追跡
画像追跡は、画像を自動的に識別して追跡するタスクです。主に拡張現実（AR）の分野で使用されます。たとえば、カメラを介して 2D 画像が供給されると、アルゴリズムは 2D 平面画像を検出し、それを 3D グラフィック オブジェクトのオーバーレイに使用できます。
ビデオ トラッキング
ビデオ トラッキングは、ビデオ内の移動オブジェクトを追跡するタスクです。ビデオ トラッキングの考え方は、各ビデオ フレームに表示されるターゲット オブジェクトを関連付けたり、それらの間の関係を確立したりすることです。言い換えれば、ビデオ トラッキングはビデオ フレームを順番に分析し、オブジェクトの周囲に境界ボックスを予測して作成することで、オブジェクトの過去の位置と現在の位置をつなぎ合わせます。
ビデオ追跡は、リアルタイム映像を処理できるため、交通監視、自動運転車、セキュリティで広く使用されています。
フェーズ 1: ターゲットの初期化
定義オブジェクトまたは目標。ビデオの最初のフレームの周囲に境界ボックスを描画するプロセスと組み合わせます。トラッカーは、境界ボックスを描画しながら、残りのフレーム内のオブジェクトの位置を推定または予測する必要があります。
フェーズ 2: 外観モデリング
外観モデリングには、オブジェクトの視覚的な外観のモデリングが含まれます。ターゲット オブジェクトが照明条件、角度、速度などのさまざまなシナリオを通過すると、オブジェクトの外観が変化し、エラー メッセージが表示され、アルゴリズムがオブジェクトの追跡を失う可能性があります。したがって、ターゲット オブジェクトが移動するときに生じるさまざまな変化や歪みをモデリング アルゴリズムで捉えることができるように、外観モデリングが必要になります。
#外観モデリングは 2 つの部分で構成されます:#深層学習に基づくターゲット追跡手法
ターゲット追跡では、追跡モデルの精度を向上させるために多くの手法が導入されています。セックスと効率。一部の方法には、k 最近傍法やサポート ベクター マシンなどの古典的な機械学習方法が含まれます。以下では、ターゲット追跡タスクのためのいくつかの深層学習アルゴリズムについて説明します。
MDNet
大規模なデータをトレーニングに利用するターゲット追跡アルゴリズム。 MDNet は、事前トレーニングとオンライン視覚追跡で構成されます。
事前トレーニング: 事前トレーニングでは、ネットワークはマルチドメイン表現を学習する必要があります。この目標を達成するために、アルゴリズムは複数の注釈付きビデオでトレーニングされ、表現と空間的特徴を学習します。
オンライン視覚追跡: 事前トレーニングが完了すると、ドメイン固有のレイヤーが削除され、学習された表現を含む共有レイヤーのみがネットワークに残ります。推論中に、バイナリ分類レイヤーが追加され、オンラインでトレーニングまたは微調整されます。
この手法は時間を節約し、効果的なオンラインベースの追跡アルゴリズムであることが証明されています。
GOTURN
深層回帰ネットワークは、オフライン トレーニングに基づいたモデルです。このアルゴリズムは、オブジェクトの動きと外観の間の一般的な関係を学習し、トレーニング セットに表示されないオブジェクトを追跡するために使用できます。
回帰ネットワーク (GOTURN) を使用した汎用オブジェクト追跡では、回帰ベースのアプローチを使用してオブジェクトを追跡します。基本的に、ネットワークを介した 1 つのフィードフォワード パスのみでターゲット オブジェクトを見つけるために直接回帰します。ネットワークは、現在のフレームの検索エリアと前のフレームのターゲットという 2 つの入力を受け入れます。次に、ネットワークはこれらの画像を比較して、現在の画像内のターゲット オブジェクトを見つけます。
ROLO
ROLO はリカレント ニューラル ネットワークと YOLO を組み合わせたものです。一般に、LSTM は CNN と組み合わせて使用するのに適しています。
ROLO は 2 つのニューラル ネットワークを組み合わせたものです: 1 つは空間情報の抽出に使用される CNN、もう 1 つはターゲット オブジェクトの軌道の検索に使用される LSTM ネットワークです。各タイム ステップで、空間情報が抽出されて LSTM に送信され、追跡されたオブジェクトの位置が返されます。
DeepSORT
DeepSORT は、最も人気のあるターゲット追跡アルゴリズムの 1 つであり、SORT の拡張機能です。
SORT は、カルマン フィルターを使用して、オブジェクトの以前の位置を考慮してその位置を推定する、オンライン ベースの追跡アルゴリズムです。カルマン フィルターはオクルージョンに対して非常に効果的です。
SORT を理解した後、深層学習テクノロジーを組み合わせて SORT アルゴリズムを強化できます。ディープ ニューラル ネットワークではターゲット画像の特徴を記述することができるため、SORT はオブジェクトの位置をより正確に推定できます。
SiamMask
は、完全畳み込みシャム ネットワークのオフライン トレーニング プロセスを改善するように設計されています。 Siamese ネットワークは、密な空間特徴表現を取得するために、トリミングされた画像とより大きな検索画像の 2 つの入力を受け入れます。
シャム ネットワークは、2 つの入力画像の類似性を測定し、同じオブジェクトが両方の画像に存在するかどうかを判断する出力を生成します。バイナリ セグメンテーション タスクを使用して損失を増やすことにより、このフレームワークはオブジェクト追跡に非常に効果的です。
JDE
JDE は、マルチタスクの学習問題を解決するために設計されたシングルショット検出器です。 JDE は、オブジェクトの検出と共有モデルへの外観の埋め込みを学習します。
JDE は、バックボーンとして Darknet-53 を使用して、各レイヤーでの特徴表現を取得します。これらの特徴表現は、アップサンプリングと残差接続を使用して融合されます。次に、予測ヘッダーが融合された特徴表現の上に追加され、高密度の予測マップが生成されます。オブジェクト追跡を実行するために、JDE は予測ヘッドからバウンディング ボックス クラスと外観の埋め込みを生成します。これらの外観の埋め込みは、類似性行列を使用して以前に検出されたオブジェクトの埋め込みと比較されます。
Tracktor
Tracktor は、オンライン追跡アルゴリズムです。オブジェクト検出メソッドを使用して、検出タスクのみでニューラル ネットワークをトレーニングすることで追跡を実行します。基本的に、境界ボックス回帰を計算することにより、次のフレーム内のオブジェクトの位置を予測します。追跡データに対してトレーニングや最適化は実行されません。
Tracktor のオブジェクト検出器は通常、101 層の ResNet と FPN を備えた Faster R-CNN です。 Faster R-CNN の回帰ブランチを使用して、現在のフレームから特徴を抽出します。
以上がコンピュータビジョンにおけるターゲット追跡の概念の解釈の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。
![[Web フロントエンド] Node.js クイック スタート](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
