Objektspårningsalgoritm baserad på deformbar uppmärksamhetsmekanism

Att hålla koll i en trång och rörig värld

Moderna kameror övervakar trafikerade gator, köpcentrum och fabriksytor, men att lära datorer att följa många rörliga människor och föremål i sådana scener är förvånansvärt svårt. När någon går bakom en pelare, när strålkastare bländar, eller när en folkmassa pressar sig igenom en dörröppning kan även avancerad spårningsmjukvara tappa mål, byta identiteter eller förbruka för mycket beräkningsresurser. Den här artikeln presenterar ett nytt spårningstillvägagångssätt utformat för att hålla sig låst på målen mer tillförlitligt i dessa verkliga, kaotiska situationer, samtidigt som det körs tillräckligt effektivt för praktisk användning.

Varför traditionell spårning inte räcker till

Objektspårningssystem fungerar vanligen i tre steg: de skannar först varje videobildruta för att extrahera visuella detaljer, kombinerar sedan information från olika skalor och områden, och förutspår slutligen hur varje mål rör sig över tiden. Många nyare metoder har förbättrat ett av dessa steg i taget — till exempel genom att göra detektorn bättre, snabba upp beräkningar eller lägga till smartare rörelse modeller. Men i trånga, snabbt föränderliga scener blottas svagheterna mellan dessa delar. Fasta "synfält" i standardnätverk kan inte flexa runt böjda kroppar eller skiftande poser, och rörelseförutsägelser som antar jämn, enkel rörelse kan driva iväg när människor stannar, svänger eller försvinner kort bakom hinder.

En flexibel blick för rörliga mål

Författarna angriper dessa begränsningar genom att ge spårningssystemet ett mer flexibelt sätt att "se" scenen på. De börjar med en populär bildbehandlingsryggrad kallad ResNet-18 och väver in en deformbar uppmärksamhetsmekanism. Istället för att alltid provta visuella uppgifter vid stela, jämnt fördelade punkter lär sig denna mekanism att skjuta sina provtagningsplatser mot de mest informativa områdena på en person eller ett objekt — till exempel konturen av en torso eller huvud — samtidigt som störande bakgrundsbrus ignoreras. Genom att infoga denna flexibla uppmärksamhet i djupare lager av nätverket kan systemet anpassa sitt fokus när människor ändrar pose, skala eller delvis döljs, utan att öka beräkningskostnaden nämnvärt. Tester på stora benchmark-datamängder visar att denna flexibla blick inte bara förbättrar spårningsnoggrannheten utan gör det med mindre än cirka 8 % ökad beräkning och endast en liten ökning i parametrar.

Att blanda detaljer över skalor och över tid

Att spåra många objekt samtidigt kräver också att systemet förstår både fina detaljer och den större kontexten. För detta använder metoden en specialiserad funktionsfusionsmodul, en bidirektionell funktionspyramid, som blandar information från grova, hög-nivå vyer och fina, låg-nivå detaljer. Författarna förstärker denna modul med samma deformbara uppmärksamhetsidé, vilket gör det lättare att bättre anpassa funktioner som annars kan bli missanpassade när personer överlappar eller rör sig snabbt. Detta hjälper till att separera individer i täta folkmassor och minskar identitetsförväxlingar. På tidsdimensionen förlitar sig algoritmen på ett klassiskt verktyg från reglerteori, Kalmanfiltret, men på ett smartare sätt. Istället för att behandla modellens förutsägelse som den huvudsakliga sanningen och detektorn som en liten korrigering, styrs filtret av hur säker detektorn är i varje ruta. När detektorn är säker litar systemet direkt på den och minskar feluppbyggnad; när den är osäker lutar filtret mer mot tidigare rörelse och blandar båda källorna smidigt.

Hur bra fungerar det i verkliga världen?

Teamet utvärderar sitt tillvägagångssätt — kallat DAM-Track — på utmanande offentliga dataset som är utformade för att pressa spårningsalgoritmer. På tester för enskilda objekt som betonar långa sekvenser och svåra situationer som kraftig deformation och fullständig ocklusion förbättrar deras deformbara uppmärksamhetsryggrad överlappning och framgångsfrekvenser jämfört med standard ResNet-18, utan stora extra kostnader. På en välkänd multi-objekt-benchmark fylld med extremt täta fotgängarmassor uppnår DAM-Track högre total noggrannhet, skarpare lokalisering och bättre identitetskonsekvens än vanliga metoder såsom ByteTrack och DeepSORT. Den behåller fler banor längre, tappar färre mål och presterar särskilt väl när det gäller att undvika identitetsbyten, vilket är avgörande för tillämpningar som säkerhetsövervakning och trafikanalys.

Vad detta betyder för vardagliga tillämpningar

För en icke-specialist är slutsatsen att detta arbete gör datorseende-spårare mer motståndskraftiga i de typer av röriga, oförutsägbara scener som är mest relevanta i praktiken — från tågstationer och stadsgator till smarta butiker och autonoma fordon. Genom att låta systemets "blick" böja sig mot viktiga regioner och genom att samordna funktionsutvinning, multiskalefusion och rörelseförutsägelse via en gemensam känsla av förtroende bygger författarna en sluten spårningsloop som håller bättre koll på vem som är var över tiden. Även om ytterligare tester behövs i nattmiljöer, från luften och i flerkamerainställningar, pekar denna flexibla, förtroende-aware design mot en ny generation spårningssystem som kan övervaka komplexa miljöer mer pålitligt utan orimliga krav på beräkningsresurser.

Citering: Liu, Q., Yu, N. & Cheng, J. Object tracking algorithm based on deformable attention mechanism. Sci Rep 16, 12454 (2026). https://doi.org/10.1038/s41598-026-43147-x

Nyckelord: spårning av flera objekt, datorseende, uppmärksamhetsmekanismer, övervakning av folkmassor, autonom körning