Sledování postav ve více kamerách pro AI City Challenge

Abstract

Tato práce představuje postup pro sledování osob pomocí více kamer, který byl vyvinut pro referenční test AI City Challenge. V této soutěži mají zúčastněné týmy k dispozici synteticky vygenerovanou sadu dat obsahující 212 hodin kamerových záznamů pořízených v různých prostředích s více kamerami. Práce se zabývá výzvami, jako je přizpůsobení domény mezi skutečnými a syntetickými daty, záměna identity a přítomnost podobně oblečených osob, a zkoumá moderní metody detekce, reidentifikace a sledování, které jsou vyhodnocovány na vlastních souborech dat. Práce byla prezentována na studentské konferenci CESCG i na konferenci Excel@FIT, kde byla oceněna cenou společnosti AT&T.

This thesis presents a pipeline for multi-camera people tracking, developed for the AI City Challenge benchmark. In this challenge, the participating teams are provided with a synthetically generated dataset, containing 212 hours of camera recordings, captured at various multi-camera environments. Addressing challenges such as domain adaptation between real and synthetic data, identity switches, and the presence of similarly dressed individuals, the work explores modern detection, re-identification, and tracking methods, evaluated on custom datasets. The work was presented at both the CESCG student conference and the Excel@FIT conference, where at the latter it was recognized with an award from AT&T.