应用场景:查询从摄像机框架的一个区域移动到另一区域的对象(例如:找到通过路口右转的车辆)以及选择具有一定速度的对象(例如:找到停止从湖中喝水的动物)。
解决的问题:查询处理 + 对象跟踪
描述:MIRIS将查询处理集成到对象检测中,在可能的情况下以低帧处理视频,在需要时增加帧率以确保查询的准确性,从而加快了查询处理的速度。
Motivation:执行用于对象检测的深度神经网络是计算密集型的,在每个帧上应用检测十分昂贵。现有的系统必须在几乎每个视频帧上都应用昂贵的物体检测器来处理物体跟踪查询。
Goal:加快查询处理的速度,减少对象检测的帧数。
Problems:(1)计算轨迹的不确定性,跟踪算法无法确定已经关联的检测;(2)无法正确估算轨迹,例如:交通信号灯的影响;
系统开源:https://github.com/favyen/miris
数据集开源:YTStream(https://favyen.com/miris/) | BDD, UAV, Tokyo, Warsaw, and Resort.
运行环境:单机
流程:
1、预处理pre-processing:预处理选择最佳的查询驱动的跟踪参数,目标是在用户指定的精度范围内使预期的查询执行时间最小化(将必须应用对象检测器的视频帧数量减至最少)。
Strain:训练段中的轨道集
Sval:验证段中的轨道集
2、查询处理:
(1) Tracking:以查询计划者选择的最小采样帧率跟踪对象,生成一些轨道组;
(2) Filtering:过滤掉确信的轨道;
(3) Uncertainty Resolution:解决过滤中剩余的不确定性问题,产生确定性轨道的子集;
(4) Refinement:精细化阶段,判断轨迹子集中的轨道是否满足谓词P;
Baseline:Overlap, PP, KCF, FlowNet
MIRIS: Fast Object Track Queries in Video,sigmod 2020
最新推荐文章于 2024-09-30 20:09:33 发布