Mit dem Guide verknüpftes Quiz · Mittel Ebene

Multi-Objekt-Tracking-Quiz

Erfahren Sie, wie Tracking-by-Detection-Methoden Objekterkennungen über Frames hinweg verknüpfen und gleichzeitig Identität und Verdeckung verwalten.

Verwandte FührungspfadeVerfolgung mehrerer Objekte
Frage 1 von 8

Was ist das Kernziel des Multi-Object-Trackings?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was ist das Kernziel des Multi-Object-Trackings?
    • Um mehreren Objekten über Frames hinweg zu folgen und dabei für jedes eine konsistente Identität beizubehalten
    • Um ein einzelnes Bild zu klassifizieren
    • Um ein Video zu komprimieren
    • Um neue Frames zu generieren
  2. Was beinhaltet das „Tracking-by-Detection“-Paradigma?
    • Tracking ohne Detektor
    • Erkennen von Objekten in jedem Frame und anschließendes Verknüpfen dieser Erkennungen über Frames hinweg
    • Es werden nur Audio-Hinweise verwendet
    • Nachverfolgung durch manuelles Zeichnen von Kästchen
  3. Welche Rolle spielt der Kalman-Filter in Trackern wie SORT?
    • Es komprimiert Bilder
    • Es erkennt neue Objekte von Grund auf
    • Es sagt voraus, wohin sich jedes verfolgte Objekt als nächstes bewegen wird
    • Es verleiht Rahmen Farbe
  4. Was hat DeepSORT zusätzlich zu SORT hinzugefügt?
    • Eine größere Bildgröße
    • Audio-Tracking
    • Automatische Untertitel
    • Eine erlernte Einbettung des Erscheinungsbilds zur Neuidentifizierung von Objekten nach der Okklusion
  5. Was ist ein „Identitätsschalter“ bei der Verfolgung mehrerer Objekte?
    • Wenn der Tracker die IDs zweier Objekte vertauscht, oft wenn sich ihre Wege kreuzen
    • Ändern der Videoauflösung
    • Ausschalten der Kamera
    • Umbenennen der Videodatei
  6. Wie hat ByteTrack die Tracking-Genauigkeit verbessert?
    • Durch Ignorieren aller Erkennungen
    • Indem auch Erkennungen mit geringem Vertrauen zugeordnet werden, anstatt sie zu verwerfen
    • Durch Entfernen des Detektors
    • Durch die Verwendung nur eines Rahmens
  7. Was will HOTA bei der Multi-Object-Tracking-Bewertung ausbalancieren?
    • Bildauflösung und Modellgröße
    • Trainingsgeschwindigkeit und GPU-Speicher
    • Erkennungsgenauigkeit und Assoziationsgenauigkeit
    • Objektfarbe und Kamerabildrate
  8. Wie ordnet SORT Erkennungen vorhergesagten Tracks zu?
    • Es verwendet ein Sprachmodell, um jedes Objekt zu benennen
    • Es stimmt nur über Farbhistogramme überein
    • Es trainiert für jeden Frame einen neuen Detektor
    • Es löst ein Zuweisungsproblem auf Frame-Ebene mithilfe von IoU-basierten Kosten und dem ungarischen Algorithmus