pengantar
Sejak jaringan saraf mulai mendapatkan popularitas, sebagian besar insinyur mulai memecahkan banyak masalah perangkat lunak di bidang Keamanan Publik menggunakan metode pembelajaran mendalam. Terlepas dari kenyataan bahwa jaringan saraf tidak memiliki pesaing dalam hal deteksi dan identifikasi objek, mereka tetap tidak dapat membanggakan kemampuan menganalisis dan bernalar, tetapi hanya menciptakan pola yang tidak selalu dapat dipahami atau ditafsirkan.
Kami berpendapat bahwa pendekatan yang dapat ditafsirkan dan diprediksi, seperti, misalnya, pendekatan asosiasi data probabilistik, akan lebih efektif untuk melacak banyak objek.
Akurasi pelacakan dan keuntungan dari pendekatan yang kami pilih terlihat jelas (selengkapnya di posting):



Perbandingan pelacak Re3 yang populer (kiri) dan komponen AcurusTrack kami (kanan)
: โ Public Safety Softwareโ. , - . , .
Public Safety , . ( , , ..). , , .
, , ( "" ), , , , ..
, . , , .
, :
, ( ) , , . โ . , , , .
N , . F_1, ..., F_N. (detections) D_1,...,D_k, k<=N. i=1,...,N, (id).
, , , . , , iou โ intersection over union โ k k-1 ; . , , , .

, , , , . , : OY y , O โ x, , . , (x, y), i- , (iโimg_w+x, y), img_w โ .

, ( OX )
, , EvenVizion, .
. , (data association).
, , - (MCMC).
:
, :
- ;
- EvenVizion;
- ;
- , .
AcurusTrack
, :
- ,





AcurusTrack , :
- : , ;
- .
computer vision. , , .. .
AcurusTrack , , .
, , ( ).
, โ GitHub.