Ученые факультета вычислительной математики и кибернетики МГУ выявили связь между внутренними характеристиками нейросетевого алгоритма слежения за объектом и точностью его работы.
Задача слежения за объектом на видео широко используется в робототехнике и автономных системах и заключается в определении положения заданного объекта на каждом кадре. Современные алгоритмы решают её, сравнивая изображение объекта с текущими кадрами, однако факторы, влияющие на точность их работы, остаются недостаточно изученными.
В работе анализировались внутренние признаки, которые формирует модель на разных этапах обработки изображения. Для их описания был введён набор специальных показателей — «микрометрик», отражающих свойства таких признаков. Эти показатели сопоставлялись с метрикой качества работы трекера — показателем точности определения положения объекта.
«Мы показали, что отдельные характеристики внутренних представлений трекера могут быть связаны с качеством его работы. Это открывает возможность использовать такие показатели для анализа и последующего улучшения моделей», — отметил доцент кафедры суперкомпьютеров и квантовой информатики факультета ВМК МГУ Дмитрий Буряк.
Эксперименты показали, что одна из предложенных метрик демонстрирует высокую связь с качеством трекинга: значение коэффициента корреляции Пирсона на отдельных видеопоследовательностях достигало 0.96.
Полученные результаты позволяют использовать такие показатели при настройке обучения нейросетевых трекеров и могут применяться при разработке более точных систем видеонаблюдения и автономных решений.
Результаты работы были представлены на научной конференции «Ломоносовские чтения».
Информация предоставлена пресс-службой МГУ
Источник фото: ru.123rf.com
