ಜನಸಂದಣಿಯು ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ ಅನ್ನು ಏಕೆ ಸವಾಲು ಹಾಕುತ್ತದೆ
ಬೆಳಿಗ್ಗೆಯ ಗದ್ದಲದ ಸಮಯದಲ್ಲಿ ಒಂದು ಜನನಿಬಿಡ ಸಬ್ವೇ ಪ್ಲಾಟ್ಫಾರ್ಮ್ ಅನ್ನು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ. ಜನರು ಪರಸ್ಪರ ಅಂಟಿಕೊಂಡಿರುತ್ತಾರೆ, ಹೆಗಲುಗಳು ಡಿಕ್ಕಿ ಹೊಡೆಯುತ್ತವೆ ಮತ್ತು ಅಪರಿಚಿತರ ನಡುವೆ ಬ್ರೀಫ್ಕೇಸ್ಗಳು ಅಲುಗಾಡುತ್ತಿರುತ್ತವೆ. ಮಾನವ ಕಣ್ಣಿಗೆ ಇದು ಗೊಂದಲಮಯವಾಗಿ ಕಂಡರೂ, ಅದನ್ನು ನಿಭಾಯಿಸಲು ಸಾಧ್ಯವಿದೆ. ನೀವು ಜನಸಂದಣಿಯ ನಡುವೆಯೂ ನಿಮ್ಮ ಸ್ನೇಹಿತನನ್ನು ಹಿಂಬಾಲಿಸಬಹುದು ಅಥವಾ ಪ್ಲಾಟ್ಫಾರ್ಮ್ನ ಇನ್ನೊಂದು ಬದಿಯಿಂದ ಕೈ ಬೀಸುತ್ತಿರುವ ವ್ಯಕ್ತಿಯನ್ನು ಗುರುತಿಸಬಹುದು. ಆದರೆ ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ ವ್ಯವಸ್ಥೆಗಳಿಗೆ, ಇದೇ ದೃಶ್ಯವು ಒಂದು ಮೈನ್ಫೀಲ್ಡ್ನಂತೆ. ಒಂದೇ ಫ್ರೇಮ್ನಲ್ಲಿ ಡಜನ್ಗಟ್ಟಲೆ ಜನರು ಒಂದರ ಮೇಲೊಂದು ಅಡ್ಡಲಾಗಿ ಬಂದಾಗ, ಸಾಮಾನ್ಯ ಡಿಟೆಕ್ಷನ್ ಮತ್ತು ಟ್ರ್ಯಾಕಿಂಗ್ ಮಾಡೆಲ್ಗಳು ಕುಸಿಯಲು ಪ್ರಾರಂಭಿಸುತ್ತವೆ. ಬೌಂಡಿಂಗ್ ಬಾಕ್ಸ್ಗಳು ವಿಲೀನಗೊಳ್ಳುತ್ತವೆ. ಗುರುತುಗಳು ಬದಲಾಗುತ್ತವೆ. ಜನರು ಇತರರ ಹಿಂದೆ ಮಾಯವಾಗಿ, ಮತ್ತೆ ಅದೇ ಲೇಬಲ್ನೊಂದಿಗೆ ಕಾಣಿಸಿಕೊಳ್ಳುವುದಿಲ್ಲ.
ಪ್ರಯೋಗಾಲಯದ ಶುದ್ಧ ಪರಿಸ್ಥಿತಿಗಳು ಮತ್ತು ವಾಸ್ತವದ ಗೊಂದಲಮಯ ಪರಿಸ್ಥಿತಿಗಳ ನಡುವಿನ ಈ ಅಂತರವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದೇ CVPR19 Tracking and Detection Challenge ನ ಮುಖ್ಯ ಉದ್ದೇಶವಾಗಿತ್ತು. ಪ್ರತಿಯೊಬ್ಬ ವ್ಯಕ್ತಿಯೂ ಪ್ರತ್ಯೇಕವಾಗಿ ನಿಂತಿರುವ, ಬೆಳಕಿನ ವ್ಯವಸ್ಥೆ ಇರುವ ವಿರಳ ಜನಸಂದಣಿಯ ದೃಶ್ಯಗಳಲ್ಲಿ ಮಾಡೆಲ್ಗಳನ್ನು ಪರೀಕ್ಷಿಸುವ ಬದಲು, ಈ ಸವಾಲುವು ಅವುಗಳನ್ನು ದಟ್ಟವಾದ ಪರಿಸರದಲ್ಲಿ ಪರೀಕ್ಷಿಸಿತು. ಅಲ್ಲಿ ಹೆಚ್ಚಿನ ಸಾಂದ್ರತೆಯು ನೇರವಾಗಿ 'occlusion' (ಅಡಚಣೆ/ಮರೆಮಾಚುವಿಕೆ) ಗೆ ಕಾರಣವಾಗುತ್ತದೆ ಮತ್ತು ಆ ಅಡಚಣೆಯು ಐಡೆಂಟಿಟಿ ಟ್ರ್ಯಾಕಿಂಗ್ನಲ್ಲಿ ಸರಿಪಡಿಸಲು ಕಷ್ಟವಾದ ತಪ್ಪುಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ಸಂಶೋಧಕರು ಈ ತಪ್ಪುಗಳು ನಿಯಂತ್ರಣ ಮೀರಿ ಹೋಗುವ ಮೊದಲು ಅವುಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಉತ್ತಮ ಮಾರ್ಗಗಳನ್ನು ಕಂಡುಕೊಳ್ಳಲು ಈ ಬೆಂಚ್ಮಾರ್ಕ್ ಅನ್ನು ಒಂದು ಪರೀಕ್ಷಾ ವೇದಿಕೆಯಾಗಿ ಬಳಸುತ್ತಿದ್ದಾರೆ.
ಈ ಸವಾಲು ವಾಸ್ತವವಾಗಿ ಏನನ್ನು ಪರೀಕ್ಷಿಸುತ್ತದೆ
CVPR19 ಸವಾಲು ಜನಸಂದಣಿಯನ್ನು ಕೇವಲ ಒಂದು ಸಮಸ್ಯೆಯಾಗಿ ಪರಿಗಣಿಸಲಿಲ್ಲ. ಇದು ಸಾಮಾನ್ಯ ಪೈಪ್ಲೈನ್ಗಳಲ್ಲಿನ ವಿಭಿನ್ನ ದೌರ್ಬಲ್ಯಗಳನ್ನು ಎತ್ತಿ ತೋರಿಸುವ ನಾಲ್ಕು ಪ್ರಮುಖ ಕ್ಷೇತ್ರಗಳಾಗಿ ಈ ಕಷ್ಟವನ್ನು ವಿಂಗಡಿಸಿತು.
ಜನಸಂದಣಿಯಲ್ಲಿ ಆಬ್ಜೆಕ್ಟ್ ಡಿಟೆಕ್ಷನ್ ನಿಖರತೆ. ವಿರಳವಾದ ಪಾರ್ಕಿಂಗ್ ಸ್ಥಳದಲ್ಲಿ, ಡಿಟೆಕ್ಟರ್ ಪ್ರತಿಯೊಬ್ಬ ಪಾದಚಾರಿ ಸುತ್ತಲೂ ಸ್ಪಷ್ಟವಾದ ಬಾಕ್ಸ್ ಅನ್ನು ಎಳೆಯಬಹುದು. ಆದರೆ ಜನನಿಬಿಡ ಸ್ಟೇಡಿಯಂ ಹಜಾರದಲ್ಲಿ, ಅದೇ ನೆಟ್ವರ್ಕ್ ಒಂದರ ಮೇಲೊಂದು ಅಡ್ಡಲಾಗಿರುವ ದೇಹದ ಭಾಗಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುವಾಗ, ಹಲವಾರು ಜನರನ್ನು ಒಂದೇ ದೊಡ್ಡ ಬೌಂಡಿಂಗ್ ಬಾಕ್ಸ್ಗೆ ವಿಲೀನಗೊಳಿಸುತ್ತದೆ ಅಥವಾ ಭಾಗಶಃ ಮರೆಮಾಚಲ್ಪಟ್ಟ ದೇಹಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಕಳೆದುಕೊಳ್ಳುತ್ತದೆ. ಕೇವಲ ತಲೆ, ಕೈ ಅಥವಾ ಹೆಗಲು ಮಾತ್ರ ಕಾಣಿಸುತ್ತಿರುವಾಗಲೂ ಮಾಡೆಲ್ ವ್ಯಕ್ತಿಗಳನ್ನು ಗುರುತಿಸಬಲ್ಲದೇ ಎಂಬುದನ್ನು ಈ ಸವಾಲು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ.
ಮಲ್ಟಿ-ಆಬ್ಜೆಕ್ಟ್ ಟ್ರ್ಯಾಕಿಂಗ್ ಸ್ಥಿರತೆ. ಖಾಲಿ ಕೋಣೆಯಲ್ಲಿ ಒಬ್ಬ ವ್ಯಕ್ತಿ ಚಲಿಸಿದಾಗ ಟ್ರ್ಯಾಕಿಂಗ್ ಮಾಡುವುದು ಸುಲಭ. ಆದರೆ ಒಂದು ಪ್ಲಾಜಾ ಮೂಲಕ ಏಕಕಾಲದಲ್ಲಿ ಐವತ್ತು ಜನರು ದಾಟುವಾಗ ಕ್ಯಾಮೆರಾ ಅದನ್ನು ಗಮನಿಸಬೇಕಾದಾಗ ಇದು ಅತ್ಯಂತ ಕಷ್ಟಕರವಾಗುತ್ತದೆ. ಜನರು ಒಬ್ಬರ ನಡುವೆ ಒಬ್ಬರು ಚಲಿಸುವಾಗ, ಅವರ ಚಲನಪಥಗಳು (trajectories) ಸ್ಥಿರವಾಗಿರುತ್ತವೆಯೇ ಎಂಬುದನ್ನು ಅಳೆಯುವ ಮೂಲಕ ಈ ಸವಾಲು ಟ್ರ್ಯಾಕರ್ ಸ್ಥಿರತೆಯನ್ನು ಪರೀಕ್ಷಿಸುತ್ತದೆ. ಕೇವಲ ಒಂದು ಫ್ರೇಮ್ನ ಗೊಂದಲವು ಟ್ರ್ಯಾಕರ್ ತಪ್ಪು ಗುರುತನ್ನು ಪಡೆಯಲು ಅಥವಾ ನಿಮಿಷಗಟ್ಟಲೆ ಮುಂದುವರಿಯುವ ಡ್ಯುಪ್ಲಿಕೇಟ್ ಟ್ರ್ಯಾಕ್ ಅನ್ನು ಸೃಷ್ಟಿಸಲು ಕಾರಣವಾಗಬಹುದು.
ಅನೇಕ ಬಾರಿ ಆಗುವ ಅಡಚಣೆಗಳನ್ನು (occlusions) ನಿಭಾಯಿಸುವುದು. ಜನಸಂದಣಿಯಲ್ಲಿ ಅಡಚಣೆ ಎಂಬುದು ಸಾಂದರ್ಭಿಕ ಅಡೆತಡೆಯಲ್ಲ. ಅದು ನಿರಂತರ ಮತ್ತು ಕ್ರಿಯಾತ್ಮಕವಾಗಿದೆ. ಒಬ್ಬ ಪಾದಚಾರಿ ಇತರೊಬ್ಬರನ್ನು ಮೂರು ಫ್ರೇಮ್ಗಳ ಕಾಲ ಅಡ್ಡಗಟ್ಟಬಹುದು, ನಂತರ ಮೂರನೇ ವ್ಯಕ್ತಿಯೊಬ್ಬರು ಆ ಅಂತರಕ್ಕೆ ಬರುತ್ತಾರೆ ಮತ್ತು ಮೊದಲ ವ್ಯಕ್ತಿಯು ವಿಭಿನ್ನ ಕೋನದಿಂದ ಮತ್ತೆ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತಾರೆ. ಕಂಬಗಳು ಅಥವಾ ಪಾರ್ಕ್ ಮಾಡಿದ ಕಾರುಗಳಂತಹ ಸ್ಥಿರ ಅಡಚಣೆಗಳನ್ನು ಊಹಿಸಬಹುದು. ಆದರೆ ಮಾನವ ಜನಸಂದಣಿಯು ನಿರಂತರವಾಗಿ ಚಲಿಸುತ್ತಿರುತ್ತದೆ ಮತ್ತು ಈ ಸವಾಲು 'recovery' (ಮರಳಿ ಗುರುತಿಸುವುದು) ಮೇಲೆ ಒತ್ತು ನೀಡುತ್ತದೆ. ಯಾರಾದರೂ ಗುಂಪಿನ ಹಿಂದಿನಿಂದ ಹೊರಬಂದಾಗ, ಮಾಡೆಲ್ ಅವರನ್ನು ಗುರುತಿಸುತ್ತದೆಯೇ ಅಥವಾ ಅವರನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಹೊಸ ವ್ಯಕ್ತಿಯೆಂದು ಪರಿಗಣಿಸುತ್ತದೆಯೇ?
ಚಲನೆಯ ಮೂಲಕ ಗುರುತನ್ನು ಕಾಯ್ದುಕೊಳ್ಳುವುದು. ಗುರುತಿನ ಸ್ಥಿರತೆಯು ಕೇವಲ ಮುಖ ಗುರುತಿಸುವಿಕೆಯ ಮೇಲೆ ಮಾತ್ರ ಅವಲಂಬಿತವಾಗಿಲ್ಲ. ದಟ್ಟವಾದ ದೃಶ್ಯದಲ್ಲಿ ಜನರು ಚಲಿಸುವಾಗ, ಅವರ ಗಾತ್ರ ಬದಲಾಗುತ್ತದೆ, ಅವರ ಭಂಗಿಯು (pose) ಮುಖಾಮುಖಿಯಿಂದ ಪಾರ್ಶ್ವಕ್ಕೆ ಬದಲಾಗುತ್ತದೆ ಮತ್ತು ಪರಿಸರದ ವಿವಿಧ ಭಾಗಗಳಲ್ಲಿ ಬೆಳಕಿನ ವ್ಯವಸ್ಥೆಯೂ ಬದಲಾಗುತ್ತದೆ. ದಟ್ಟವಾದ ಜನಸಂದಣಿಯಲ್ಲಿ ಇಪ್ಪತ್ತು ಮೀಟರ್ ನಡೆಯುವ ವ್ಯಕ್ತಿಯು ಹಲವಾರು ಬಾರಿ ಅಡಚಣೆಗೆ ಒಳಗಾದಾಗ ಮತ್ತು ಅವರ ನೋಟದ ಕೆಲವು ಭಾಗಗಳು ಮಾತ್ರ ಕಾಣಿಸುತ್ತಿದ್ದರೂ ಸಹ, ಸಿಸ್ಟಮ್ ಅದೇ ಗುರುತನ್ನು (identifier) ಉಳಿಸಿಕೊಳ್ಳಬಲ್ಲದೇ ಎಂದು ಈ ಸವಾಲು ಕೇಳುತ್ತದೆ.
ಬೆಂಚ್ಮಾರ್ಕ್ನಿಂದ ನೈಜ ಪರಿಣಾಮದವರೆಗೆ
ಈ ನಾಲ್ಕು ವಿಷಯಗಳಲ್ಲಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸುವುದು ಕೇವಲ ಶೈಕ್ಷಣಿಕ ಅಭ್ಯಾಸವಲ್ಲ. ಉತ್ತಮ ಮಾಡೆಲ್ಗಳು ಸ್ವಾಯತ್ತ ವ್ಯವಸ್ಥೆಗಳು (autonomous systems) ಮತ್ತು ಕಣ್ಗಾವಲು ಸಾಧನಗಳು ನೈಜ ಪ್ರಪಂಚದ ಪರಿಸರದಲ್ಲಿ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎಂಬುದರ ಮೇಲೆ ನೇರ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ.
ಒಂದು ಹಬ್ಬದ ಸಮಯದಲ್ಲಿ ಜನನಿಬಿಡ ರಸ್ತೆ ದಾಟುವ ಸ್ಥಳಕ್ಕೆ (crosswalk) ಬರುವ ಸ್ವಾಯತ್ತ ವಾಹನವನ್ನು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ. ಪಾದಚಾರಿಗಳು ಕ್ರಮಬದ್ಧವಾಗಿ ಸಾಲಿನಲ್ಲಿ ನಡೆಯುವುದಿಲ್ಲ. ಅವರು ಗುಂಪು ಗುಂಪಾಗಿ ಬರುತ್ತಾರೆ, ಸ್ಟ್ರೋಲರ್ಗಳನ್ನು ತಳ್ಳುತ್ತಾರೆ ಮತ್ತು ಒಬ್ಬರ ಹಿಂದೆ ಒಬ್ಬರು ಬರುತ್ತಾರೆ. ಪಾದಚಾರಿ ಮತ್ತೊಬ್ಬ ವ್ಯಕ್ತಿಯ ಹಿಂದೆ ಅಡಗಿದ ತಕ್ಷಣ ವಾಹನದ ಟ್ರ್ಯಾಕಿಂಗ್ ಸಿಸ್ಟಮ್ ಅವರ ಗುರುತನ್ನು ಕಳೆದುಕೊಂಡರೆ, ಆ ಪಾದಚಾರಿ ಎಲ್ಲಿ ಮತ್ತೆ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತಾರೆ ಎಂಬುದನ್ನು ಕಾರು ಊಹಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಅದು ಅಪಾಯವು ಮಾಯವಾಗಿದೆ ಎಂದು ಭಾವಿಸಬಹುದು ಅಥವಾ ಅದಕ್ಕಿಂತ最 ಕೆಟ್ಟದಾಗಿ, ಅಡಗಿರುವ ಪಾದಚಾರಿಯನ್ನು ಬೇರೆಯವರೊಂದಿಗೆ ಗೊಂದಲಕ್ಕೀಡು ಮಾಡಿ ಅವರ ಚಲನಪಥವನ್ನು ತಪ್ಪಾಗಿ ಲೆಕ್ಕಹಾಕಬಹುದು. ಜನಸಂದಣಿಯಲ್ಲಿ ಸ್ಥಿರವಾದ ಟ್ರ್ಯಾಕಿಂಗ್ ಎಂಬುದು ಸುರಕ್ಷತೆಯ ಅಗತ್ಯವೇ ಹೊರತು ಐಷಾರಾಮಿ ಅಲ್ಲ.
ಮೇಲ್ವಿಚಾರಣಾ ಜಾಲಗಳು (Surveillance networks) ಒಂದು ರೀತಿಯ ಸಮಾನಾಂತರ ಸಮಸ್ಯೆಯನ್ನು ಎದುರಿಸುತ್ತಿವೆ. ಸಾರಿಗೆ ಕೇಂದ್ರವನ್ನು ಗಮನಿಸುತ್ತಿರುವ ಭದ್ರತಾ ಸಿಬ್ಬಂದಿಗೆ ಖಾಲಿ ಕಾರಿಡಾರ್ನಲ್ಲಿ ಜನರನ್ನು ಗುರುತಿಸುವ ವ್ಯವಸ್ಥೆಯ ಅಗತ್ಯವಿಲ್ಲ. ಬದಲಾಗಿ, ನೂರಾರು ಪ್ರಯಾಣಿಕರು ಒಂದೇ ನಿರ್ಗಮನದ ಕಡೆಗೆ ಧಾವಿಸುವ ನಿಲ್ದಾಣದ ಸ್ಥಳಾಂತರದ ಸಮಯದಲ್ಲಿ ನಿಖರವಾಗಿ ಎಣಿಸುವ ವ್ಯವಸ್ಥೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ. ಒಂದು ವೇಳೆ ಮರೆಮಾಚುವಿಕೆ (occlusion) ನಿರಂತರವಾಗಿ ಗುರುತಿನ ಬದಲಾವಣೆಗಳಿಗೆ ಕಾರಣವಾದರೆ, ವ್ಯವಸ್ಥೆಯು ನಿರುಪಯುಕ್ತ ಡೇಟಾವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ: ಅದೇ ವ್ಯಕ್ತಿಯನ್ನು ಐದು ಪ್ರತ್ಯೇಕ ವ್ಯಕ್ತಿಗಳೆಂದು ದಾಖಲಿಸುವುದು ಅಥವಾ ಜನರ ಗುಂಪನ್ನು ಒಂದೇ ದೊಡ್ಡ ಗುಂಪಿನಂತೆ (blobs) ದಾಖಲಿಸುವುದು. ಇದು ಜನಸಂದಣಿಯ ಹರಿವನ್ನು ಅಳೆಯುವುದು, ಅನುಮಾನಾಸ್ಪದ ನಡವಳಿಕೆಯನ್ನು ಗುರುತಿಸುವುದು ಅಥವಾ ತುರ್ತು ಸ್ಪಂದನೆಯನ್ನು ಸಂಯೋಜಿಸುವುದು ಹೀಗೆ ಯಾವುದೇ ನಂತರದ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಹಾಳುಮಾಡುತ್ತದೆ.
ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರ ಮತ್ತು ಗೋದಾಮು ರೋಬೊಟಿಕ್ಸ್ ಕೂಡ ಇದರಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯುತ್ತವೆ. ಮಾನವ ಕಾರ್ಮಿಕರು ದಾಸ್ತಾನುಗಳನ್ನು ಸಂಗ್ರಹಿಸುವ ಗಲ್ಲಿಗಳಲ್ಲಿ ಚಲಿಸುವ ಸ್ವಯಂಚಾಲಿತ ಮಾರ್ಗದರ್ಶಿತ ವಾಹನಗಳು (Automated guided vehicles) ಇರಬೇಕಾಗುತ್ತದೆ. ಇಂತಹ ಕಿರಿದಾದ ಸ್ಥಳಗಳಲ್ಲಿ, ಭಾಗಶಃ ಮರೆಮಾಚುವಿಕೆ (partial occlusion) ನಿರಂತರವಾಗಿ ಸಂಭವಿಸುತ್ತದೆ. ಶೆಲ್ಫಿಂಗ್ ಯೂನಿಟ್ನ ಹಿಂದೆ ಇರುವ ಕಾರ್ಮಿಕನ ಮೇಲೆ ಕಣ್ಣು ತಪ್ಪಿಸುವ ರೋಬೋಟ್, ಆ ವ್ಯಕ್ತಿ ಮತ್ತೆ ಹೊರಬಂದಾಗ ಅತೀ ಹತ್ತಿರದಿಂದ ಹಾದುಹೋಗುವಂತಹ ಹಾದಿಯನ್ನು ಯೋಜಿಸಬಹುದು. ಅಲ್ಪಾವಧಿಯ ಅಡಚಣೆಯ ನಡುವೆಯೂ ಗುರುತನ್ನು ಸ್ಥಿರವಾಗಿ ಕಾಯ್ದುಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯವು ಮಾನವ-ರೋಬೋಟ್ ಸಂವಹನವನ್ನು ಸುರಕ್ಷಿತವಾಗಿರಿಸುತ್ತದೆ.
ಅಂಕಗಳ ಹಿಂದಿರುವ ತಾಂತ್ರಿಕ ವಾಸ್ತವ
CVPR19 ಬೆಂಚ್ಮಾರ್ಕ್ ಅನ್ನು ಅಧ್ಯಯನ ಮಾಡಿದ ಸಂಶೋಧಕರು, ಡಿಟೆಕ್ಷನ್ (detection) ಮತ್ತು ಟ್ರ್ಯಾಕಿಂಗ್ (tracking) ಅನ್ನು ಪ್ರತ್ಯೇಕ ಹಂತಗಳಾಗಿ ಪರಿಗಣಿಸುವುದು ವೈಫಲ್ಯದ ದರವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಬೇಗನೆ ಕಂಡುಕೊಂಡರು. ಭಾಗಶಃ ಮರೆಮಾಚಲ್ಪಟ್ಟ ವ್ಯಕ್ತಿಯನ್ನು ಗುರುತಿಸಲು ವಿಫಲವಾದ ಡಿಟೆಕ್ಟರ್, ಟ್ರ್ಯಾಕರ್ಗೆ ಅಗತ್ಯವಾದ ಡೇಟಾವನ್ನು ನೀಡಲಾರದು. ಕೇವಲ ಸ್ಥಳೀಯ ಸಮೀಪತೆಯನ್ನು (spatial proximity) ಅವಲಂಬಿಸಿರುವ ಟ್ರ್ಯಾಕರ್, ಅಡೆತಡೆಯ ಹಿಂದಿನಿಂದ ಮೊದಲು ಕಾಣಿಸಿಕೊಳ್ಳುವ ಯಾವುದೇ ದೇಹಕ್ಕೆ ತಪ್ಪು ಗುರುತನ್ನು ನೀಡಬಹುದು.
ಇದರಿಂದಾಗಿ, ಈ ಸವಾಲು ಸಮಗ್ರ ಚಿಂತನೆಯನ್ನು ಪ್ರೋತ್ಸಾಹಿಸಿತು. ತಂಡಗಳು ವಿಘಟನೆಗೆ (fragmentation) ಒಳಗಾಗದ ವೈಶಿಷ್ಟ್ಯ ಪ್ರಾತಿನಿಧ್ಯಗಳ (feature representations) ಮೇಲೆ ಗಮನ ಹರಿಸಿದವು. ಕಾಲುಗಳು ಮರೆಮಾಚಲ್ಪಟ್ಟಾಗ ಪೂರ್ಣ ದೇಹದ ವಿವರಣೆ ವಿಫಲವಾದರೆ, ಮಾದರಿಯು (model) ದೇಹದ ಮೇಲ್ಭಾಗ ಅಥವಾ ನಡಿಗೆಯ ಮಾದರಿಯಂತಹ (gait pattern) ಕಾಣಿಸುವ ಭಾಗಗಳ ಮೇಲೆ ಹೆಚ್ಚು ಅವಲಂಬಿತವಾಗಬೇಕಾಗುತ್ತದೆ. ಇತರರು ಕಾಲಿಕ ತರ್ಕಕ್ಕೆ (temporal reasoning) ಒತ್ತು ನೀಡಿದರು, ಅಡಚಣೆಗೆ ಒಳಗಾದ ವ್ಯಕ್ತಿಯು ಎಲ್ಲಿ ಮತ್ತೆ ಕಾಣಿಸಿಕೊಳ್ಳಬಹುದು ಎಂದು ಊಹಿಸಲು ಮೋಷನ್ ಮಾಡೆಲ್ಗಳನ್ನು ಬಳಸಿದರು, ಇದರಿಂದ ವ್ಯವಸ್ಥೆಯು ಪೂರ್ಣ ದೇಹದ ಮರು-ಗುರುತಿಸುವಿಕೆಗಾಗಿ ಕಾಯದೆ ಟ್ರ್ಯಾಕಿಂಗ್ ಅನ್ನು ಮುಂದುವರಿಸಬಹುದು.
ಈ ಸವಾಲು ರಿಕವರಿ ಹ್ಯೂರಿಸ್ಟಿಕ್ಸ್ನ (recovery heuristics) ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಸಹ ಎತ್ತಿ ತೋರಿಸಿತು. ಕಡಿಮೆ ಸಾಂದ್ರತೆಯ ದೃಶ್ಯಗಳಲ್ಲಿ, ಹಳೆಯ ಸ್ಥಾನದ ಬಳಿ ಕಂಡುಬರುವ ಹೊಸ ಡಿಟೆಕ್ಷನ್ ಅದೇ ವ್ಯಕ್ತಿಗೆ ಸೇರಿದ್ದೆಂದು ಟ್ರ್ಯಾಕರ್ ಸುಲಭವಾಗಿ ಭಾವಿಸಬಹುದು. ಆದರೆ ಜನಸಂದಣಿಯಿರುವಾಗ, ಅಂತಹ ಕಲ್ಪನೆಯು ಗುರುತುಗಳ ಬದಲಾವಣೆಯ ಡೊಮಿನೋ ಸರಣಿಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಉತ್ತಮ ವ್ಯವಸ್ಥೆಗಳು ಗುರುತನ್ನು ಮರುಹಂಚಿಕೆ ಮಾಡುವ ಮೊದಲು ಹಿಂಜರಿಯುವುದನ್ನು ಮತ್ತು ಮರೆಮಾಚುವಿಕೆ ನಿವಾರಣೆಯಾದ ನಂತರ ಹೊಂದಾಣಿಕೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಕೆಲವು ಫ್ರೇಮ್ಗಳ ಪುರಾವೆಗಳನ್ನು ಸಂಗ್ರಹಿಸುವುದನ್ನು ಕಲಿತವು.
ಸಾಂದ್ರತೆಯೇ ಏಕೆ ಪ್ರಾಮಾಣಿಕತೆಯ ಪರೀಕ್ಷೆ
ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ನಲ್ಲಿ ಬೆಂಚ್ಮಾರ್ಕ್ಗಳ ಕೊರತೆಯಿಲ್ಲ. CVPR19 ಟ್ರ್ಯಾಕಿಂಗ್ ಮತ್ತು ಡಿಟೆಕ್ಷನ್ ಚಾಲೆಂಜ್ ಅನ್ನು ಸ್ಮರಣೀಯವಾಗಿಸುವುದು ಏನೆಂದರೆ, ಇದು ಖಾಲಿ ಹಿನ್ನೆಲೆ ಮತ್ತು ಪ್ರತ್ಯೇಕ ವಿಷಯಗಳ ಸುಲಭತೆಯನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ. ಇಲ್ಲಿ ಉತ್ತಮ ಅಂಕಗಳನ್ನು ಪಡೆಯುವ ಮಾದರಿಯು, ನೈಜ ಮಾನವ ಪರಿಸರಗಳನ್ನು ನಿರ್ಧರಿಸುವ ದೃಶ್ಯ ಅಬ್ಬರವನ್ನು (visual noise) ನಿಭಾಯಿಸಬಲ್ಲದು ಎಂದು ಸಾಬೀತುಪಡಿಸುತ್ತದೆ. ಸಾಂದ್ರತೆಯೇ ಪ್ರಾಮಾಣಿಕತೆಯ ಪರೀಕ್ಷೆ. ಇದು ವಸ್ತುಗಳ ಪ್ರತ್ಯೇಕತೆ ಮತ್ತು ನಿರಂತರ ದೃಶ್ಯ ಗೋಚರತೆಯ ಬಗ್ಗೆ ಇರುವ ದುರ್ಬಲ ಕಲ್ಪನೆಗಳನ್ನು ಬಯಲಿಗೆಳೆಯುತ್ತದೆ.
ನಿರ್ದಿಷ್ಟ ವಿಧಾನಗಳು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸಿದವು ಮತ್ತು ಇಂತಹ ಒತ್ತಡದ ಅಡಿಯಲ್ಲಿ ಯಾವ ಆರ್ಕಿಟೆಕ್ಚರ್ಗಳು ಭರವಸೆ ನೀಡಿದವು ಎಂಬುದನ್ನು ನೀವು ನೋಡಲು ಬಯಸಿದರೆ, ನೀವು ಸಂಪೂರ್ಣ ವಿವರಣೆಯನ್ನು ಇಲ್ಲಿ ಓದಬಹುದು. ಮತ್ತು ನೀವು ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದರೆ ಮತ್ತು ಇದೇ ರೀತಿಯ ಮರೆಮಾಚುವಿಕೆಯ ತೊಂದರೆಗಳನ್ನು ಎದುರಿಸುತ್ತಿರುವ ಇತರರೊಂದಿಗೆ ತಾಂತ್ರಿಕ ವಿಷಯಗಳ ಬಗ್ಗೆ ಚರ್ಚಿಸಲು ಬಯಸಿದರೆ, ಕಲಿಕಾ ಸಮುದಾಯಕ್ಕೆ ಇಲ್ಲಿ ಸೇರಿ. ಜನಸಂದಣಿಯ ಮೂಲಕ ಟ್ರ್ಯಾಕ್ ಮಾಡುವ ಕೆಲಸ ಇನ್ನೂ ಮುಗಿದಿಲ್ಲ, ಮತ್ತು ನೈಜ ಪರೀಕ್ಷೆಯೆಂದರೆ ದೃಶ್ಯವು ಜನಸಂದಣಿಯಿಂದ ತುಂಬಿದಾಗ ಏನಾಗುತ್ತದೆ ಎಂಬುದು ಯಾವಾಗಲೂ.