1. CSN
  2. Всі випуски
  3. Випуск 5, Номер 1, 2023
  4. Методи відстеження довільної кількості об’єктів у реальному часі на мобільній платформі

Методи відстеження довільної кількості об’єктів у реальному часі на мобільній платформі

CSN.
2023;
Випуск 5, Номер 1
: сс. 50 - 59
https://doi.org/10.23939/csn2023.01.050
Автори:
  1. Дмитро Кушнір
1
Національний університет «Львівська політехніка», кафедра електронних обчислювальних машин

Розглянуто проблему вибору методів відстеження розпізнаних об’єктів (ВО) у реальному часі для систем з обмеженими апаратними можливостями. Визначено, що для таких систем доречна інтеграція методів відстеження у пристрій, оминаючи використання передачі даних через мережу інтернет.

Розглянуто існуючі методи відстеження довільної кількості об’єктів у реальному часі.

Серед метрик оцінки ефективності було використано: MOTA, MOTP, F1, MT, ML,  ID, FM.

На основні аналізу ефективності таких методів по згаданим вище метрикам було запропоновано використати метод відстеження V-IOU для відстеження розпізнаних об’єктів на мобільній платформі у мобільній кіберфізичній системі.

V-IOU
відстеження довільного класу об’єктів
мобільна платформа
“ режим реального часу”
MOTA
MOTP
кіберфізична система
  1. Hambling, D. (2023), Drones killing without oversight?, New Scientist, 260(3461), 1-8. https://doi.org/10.1016/S0262-4079(23)01937-1.
  2. Kushnir, D. (2023). Methods and means of searching and recognizing objects in video images on the mobile platform in real-time. [Doctoral dissertation., Lviv Polytechnic National University»]. Institutional                repository                 of                  Lviv                  Polytechnic                 National                University. https://lpnu.ua/sites/default/files/2023/radaphd/23565/diskushnir.pdf
  3. Niu, W., Ma, X., Lin, S., Wang, S., Qian, X., Lin, X., ... & Ren, B. (2020). Patdnn: Achieving real-time dnn execution on mobile devices with pattern-based weight pruning. In Proceedings of the Twenty-Fifth International Conference on Architectural Support for Programming Languages and Operating Systems, 907–922. https://doi.org/10.1145/3373376.3378534.
  4. Thakkar, M. (2019). Beginning machine learning in iOS: CoreML Framework. Apress. https://doi.org/10.1007/978-1-4842-4297-1.
  5. Dewantoro, G., Mansuri, J., & Setiaji, F. D. (2021). Comparative Study of Computer Vision Based Line Followers Using Raspberry Pi and Jetson Nano. Jurnal Rekayasa Elektrika, 17(4). https://doi.org/10.17529/jre.v17i4.21324.
  6. Puchtler, P., & Peinl, R. (2020, September). Evaluation of deep learning accelerators for object detection at the edge. In German Conference on Artificial Intelligence (Künstliche Intelligenz). Springer, Cham. 320-326. https://doi.org/10.1007/978-3-030-58285-2_29.
  7. Parmar, M. (2016). A survey of video object tracking methods. IJEDR. 4(1). 519-524. https://www.ijedr.org/papers/IJEDR1601086.pdf.
  8. Kushnir, D. (2022) Methods and means for small dynamic objects recognition and tracking. Computers, Materials & Continua, 73(2), 3649–3655. https://doi.org/10.32604/cmc.2022.030016.
  9. Patel, S. K., & Mishra, A. (2013). Moving object tracking techniques: A critical review. Indian Journal of Computer Science and Engineering, 4(2), 95-102. https://dx.doi.org/10.2139/ssrn.3548453.
  10. Taufique, A. M. N., Minnehan, B., & Savakis, A. (2020). Benchmarking deep trackers on aerial videos. Sensors, 20(2), 547. https://doi.org/10.3390/s20020547.
  11. Zhang, X., Chen, X., Sun, W., & He, X. (2021). Vehicle Re-Identification Model Based on Optimized DenseNet121 with Joint Loss. Cmc-computers materials & continua, 67(3), 3933-3948. https://doi.org/ 10.32604/cmc.2021.016560.
  12. Sun, W., Dai, L., Zhang, X., Chang, P., & He, X. (2022). RSOD: Real-time small object detection algorithm in UAV-based traffic monitoring. Applied Intelligence, 52(8), 8448-8463. https://doi.org/10.1007/s10489- 021-02893-3.
  13. Wu, M., Cao, X., & Guo, S. (2020). Accurate detection and tracking of ants in indoor and outdoor environments. bioRxiv. https://doi.org/10.1101/2020.11.30.403816.
  14. Bochinski, E., Senst, T., & Sikora, T. (2018, November). Extending IOU based multi-object tracking by visual information. In 2018 15th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS) IEEE. 1-6. https://doi.org/ 10.1109/AVSS.2018.8639144.
  15. Milan, A., Leal-Taixé, L., Reid, I., Roth, S., & Schindler, K. (2016). MOT16: A benchmark for multi-object tracking. arXiv preprint arXiv:1603.00831. https://doi.org/10.48550/arXiv.1603.00831.
  16. Panteleev, O., & Oliynik, V. (2018). Method of visual multitracking in real time based on correlation filters. Adaptive systems of automatic control, 1(32), 97-106. https://doi.org/10.20535/1560-8956.32.2018.145620.
  17. Wojke, N., & Bewley, A. (2018, March). Deep cosine metric learning for person re-identification. In 2018 IEEE winter conference on applications of computer vision (WACV). IEEE. 748-756. https://doi.org/10.1109/WACV.2018.00087.
  18. Kushnir, D., & Paramud, Y. (2020). The inteligenсe algorithm of Cyber–Physical system targeting on a movable object using the smart sensor unit. Computer Systems And Networks, 2(1), 44-52. https://doi.org/10.23939/csn2020.01.044.
  19. Milan, A., Leal-Taixé, L., Reid, I., Roth, S., & Schindler, K. (2016). MOT16: A benchmark for multi-object tracking. arXiv preprint arXiv:1603.00831. https://doi.org/10.48550/arXiv.1603.00831.
  20. Kushnir, D., & Paramud, Y. (2020). The algorithm of Cyber-Physical system targeting on a movable object using the smart sensor unit. Advances In Cyber-Physical Systems, 5(1), 16-22. https://doi.org/10.23939/acps2020.01.016.