Kuis terkait panduan · Sedang Tingkat
Kuis Pelacakan Multi-Objek
Pelajari bagaimana metode pelacakan demi deteksi mengaitkan deteksi objek di seluruh bingkai sekaligus mengelola identitas dan oklusi.
Pertanyaan 1 dari 8
Apa tujuan inti dari pelacakan multi-objek?
Pratinjau setiap pertanyaan8 pertanyaan
Jawaban dan penjelasan muncul saat Anda mengikuti kuis.
- Apa tujuan inti dari pelacakan multi-objek?
- Untuk mengikuti beberapa objek melintasi bingkai sambil menjaga identitas yang konsisten untuk masing-masing objek
- Untuk mengklasifikasikan satu gambar
- Untuk mengompres video
- Untuk menghasilkan frame baru
- Apa yang tercakup dalam paradigma 'pelacakan demi deteksi'?
- Pelacakan tanpa detektor apa pun
- Mendeteksi objek setiap frame, lalu menghubungkan deteksi tersebut di seluruh frame
- Hanya menggunakan isyarat audio
- Pelacakan dengan menggambar kotak secara manual
- Apa peran filter Kalman dalam pelacak seperti SORT?
- Ini memampatkan gambar
- Ini mendeteksi objek baru dari awal
- Ini memprediksi ke mana setiap objek yang dilacak akan bergerak selanjutnya
- Ini menambah warna pada bingkai
- Apa yang DeepSORT tambahkan di atas SORT?
- Ukuran gambar lebih besar
- Pelacakan audio
- Subtitle otomatis
- Penyematan tampilan yang dipelajari untuk mengidentifikasi ulang objek setelah oklusi
- Apa yang dimaksud dengan 'pengalih identitas' dalam pelacakan multi-objek?
- Saat pelacak menukar ID dua objek, sering kali keduanya berpapasan
- Mengubah resolusi video
- Mematikan kamera
- Mengganti nama file video
- Bagaimana ByteTrack meningkatkan akurasi pelacakan?
- Dengan mengabaikan semua deteksi
- Dengan juga mengaitkan deteksi dengan tingkat keyakinan rendah, bukan membuangnya
- Dengan melepas detektor
- Dengan hanya menggunakan satu frame
- What does HOTA aim to balance in multi-object tracking evaluation?
- Image resolution and model size
- Training speed and GPU memory
- Detection accuracy and association accuracy
- Object color and camera frame rate
- How does SORT assign detections to predicted tracks?
- It uses a language model to name each object
- It matches only by color histograms
- It trains a new detector for each frame
- It solves a frame-level assignment problem using IoU-based costs and the Hungarian algorithm