Einführung
Seitdem neuronale Netze immer beliebter wurden, lösten die meisten Ingenieure viele der Probleme von Software im Bereich der öffentlichen Sicherheit mithilfe von Deep-Learning-Methoden. Trotz der Tatsache, dass neuronale Netze keine Konkurrenten in Bezug auf die Erkennung und Identifizierung von Objekten haben, können sie sich nicht der Fähigkeit rühmen, zu analysieren und zu argumentieren, sondern nur Muster erzeugen, die nicht immer verstanden oder interpretiert werden können.
Wir sind der Meinung, dass interpretierbare und vorhersehbare Ansätze, wie beispielsweise der probabilistische Datenassoziationsansatz, für die Verfolgung mehrerer Objekte effektiver sind.
Die Tracking-Genauigkeit und die Vorteile des von uns gewählten Ansatzes sind deutlich sichtbar (mehr im Beitrag):



Vergleich des beliebten Re3-Trackers (links) und unserer Komponente AcurusTrack (rechts)
: “ Public Safety Software”. , - . , .
Public Safety , . ( , , ..). , , .
, , ( "" ), , , , ..
, . , , .
, :
, ( ) , , . — . , , , .
N , . F_1, ..., F_N. (detections) D_1,...,D_k, k<=N. i=1,...,N, (id).
, , , . , , iou — intersection over union — k k-1 ; . , , , .

, , , , . , : OY y , O — x, , . , (x, y), i- , (i∗img_w+x, y), img_w — .

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





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