COMPUTER VISION / งานวิจัย
การแยกบุคคลในภาพด้วยคำบรรยาย
รับภาพจากกล้องมุมคงที่พร้อมคำบรรยายภาษาธรรมชาติ แล้วคืนมาสก์บุคคลระดับพิกเซล หรือผลว่าไม่พบผู้ที่ตรงคำบรรยายอย่างชัดเจน
KMITL Project 1 · งานวิจัยกลุ่ม
การมีส่วนร่วมของฉัน
มีส่วนร่วมในการพัฒนาการทดลอง เครื่องมือจัดการหลักฐาน การประเมินเปรียบเทียบ และรายงานทางเทคนิคตลอดกระบวนการโปรเจกต์
ลองเล่น · เวอร์ชันย่อ
ลองดูว่าทำอะไรได้บ้าง

KMITL · CE69-27 Project 1 · อยู่ระหว่างดำเนินการ
โปรเจกต์นี้ทำอะไร
งานวิจัยศึกษาว่าการแยกภาพตามภาษาสามารถหาบุคคลตามคำบรรยายในภาพกล้องวงจรปิดมุมคงที่ แล้วคืนมาสก์ระดับพิกเซล รวมถึงมาสก์ว่างเมื่อไม่พบบุคคลที่ตรงกันได้หรือไม่ เปรียบเทียบ LISA-7B-v1, SSP-SAM-224 และ CoHD-Tiny ภายใต้เกณฑ์ประเมินร่วมกัน
ภายในโปรเจกต์
- ในชุดย่อย gRefCOCO 90 ภาพ CoHD-Tiny ได้ mean IoU ของเป้าหมายที่มีอยู่ 78.01% และเร็วกว่า LISA ประมาณ 21.6 เท่าในการตั้งค่าที่รายงาน
- ในชุดยืนยันคงที่ 120 เฟรม Scale704 ร่วมกับ guard เพิ่ม MOTS coverage recall จาก 62.39% เป็น 77.32%
- สำหรับ VIRAT จำนวนบุคคลที่จับคู่ได้เพิ่มจาก 10 เป็น 48 จาก 635 คน ขณะที่องค์ประกอบผลบวกลวงลดจาก 150 เป็น 120 และเวลาเฉลี่ยเปลี่ยนจาก 0.6541 เป็น 0.5934 วินาทีต่อภาพ
ทักษะและประสบการณ์ปฏิบัติ
ประสบการณ์ปฏิบัติด้าน referring segmentation โมเดลภาพและภาษา การประเมินภายใต้เงื่อนไขควบคุม การเปรียบเทียบแบบตัดองค์ประกอบ การติดตามหลักฐาน และการรายงานผลพร้อมขอบเขตที่ชัดเจน
ภาพและค่าที่วัดมาจากรายงานความก้าวหน้า 30% ล่าสุดและไฟล์ประกอบวิทยานิพนธ์ หลักฐานปัจจุบันครอบคลุมสองมุมกล้องคงที่เวลากลางวัน ยังตรวจไม่พบบุคคลที่อยู่ไกลหรือมีขนาดเล็กจำนวนมาก
บริบทของโปรเจกต์
งานวิจัยที่กำลังดำเนินการกับมุมกล้อง CCTV คงที่ในเวลากลางวันสองมุม ผลแสดงความก้าวหน้าในตัวอย่างที่ประเมิน ยังไม่ยืนยันการใช้งานกับกล้องที่ไม่เคยเห็นหรือการใช้งานจริงในวงกว้าง


