Multiple object tracking via deep learning techniques
| datacite.contributor.RelatedPerson | Αμπελιώτης, Δημήτριος | |
| datacite.contributor.RelatedPerson | Ψαράκης, Εμμανουήλ | |
| datacite.contributor.Supervisor | Μπερμπερίδης, Κωνσταντίνος | |
| dc.contributor.author | Υφαντή, Κωνσταντίνα | |
| dc.contributor.other | Yfanti, Konstantina | |
| dc.date.accessioned | 2026-02-24T10:21:15Z | |
| dc.date.available | 2026-02-24T10:21:15Z | |
| dc.date.issued | 2026-02-24 | |
| dc.degree | masterThesis | |
| dc.description.abstract | Multi-Object Tracking (MOT) is a core problem in video understanding, with multiple practical applications. As a significantly challenging task, it has attracted significant attention from the computer vision community, with a wide range of approaches being continuously proposed. Most traditional techniques decompose the problem into separate, intuitive stages, such as object detection and data association. To address the limitations of this paradigm, a growing body of work proposes joint detection and tracking models. However, more recently, the introduction of the Transformer architecture and its success in natural language processing have motivated its adoption in multi-object tracking. Beyond the inherent challenges of multi-object tracking and the complexities of each individual processing stage, the structure of the dataset plays a decisive role in a tracker’s generalization ability and overall performance. The shape, structure, and motion characteristics of objects can significantly affect tracking accuracy and introduce additional complexity. For this reason, this thesis presents a structured approach to studying deformity and motion complexity. By leveraging two different datasets, we aim to quantitatively analyze these characteristics at the dataset level. Focusing on Transformer-based multi-object tracking methods, we analyze their core components and examine their effectiveness in the tracking task. Our study is based on a comparison between two benchmark datasets, DanceTrack and MOT17, which differ substantially in target deformity and motion complexity. Our objective is to investigate how attention mechanisms exploit available feature cues under varying dataset conditions and to assess whether appearance-based tracking models favor specific motion and deformation characteristics. | |
| dc.description.translatedabstract | Στην παρούσα Διπλωματική Εργασία μελετάται το πρόβλημα της Παρακολούθησης Πολλαπλών Αντικειμένων, το πλήθος των τεχνικών που υπάρχουν, καθώς και οι κύριες προκλήσεις που σχετίζονται με αυτό. Πρόκειται για ένα ιδιαίτερα απαιτητικό πρόβλημα με πλήθος πρακτικών εφαρμογών, το οποίο έχει προσελκύσει το ενδιαφέρον της ακαδημαϊκής κοινότητας, οδηγώντας στη συνεχή ανάπτυξη νέων μεθόδων και προσεγγίσεων. Ο στόχος της Παρακολούθησης Πολλαπλών Αντικειμένων, λοιπόν, είναι η ανάλυση του πλήθους και των χαρακτηριστικών των αντικειμένων σε μια ακολουθία εικόνων χωρίς εκ των προτέρων γνώση, ώστε να εντοπιστούν τα υπάρχοντα αντικείμενα σε κάθε εικόνα, να εκτιμηθεί η τοποθεσία τους και να τους αποδοθούν συνεπείς ταυτότητες για όλη την ακολουθία. Οι περισσότερες παραδοσιακές τεχνικές διασπούν διαισθητικά το πρόβλημα σε διακριτά στάδια, όπως η ανίχνευση αντικειμένων και η συσχέτιση τους. Αυτή η προσέγγιση χαρακτηρίζεται από υψηλή απόδοση, ωστόσο το τελικό στάδιο της παρακολούθησης βασίζεται αρκετά στην ακρίβεια του στάδιου ανίχνευσης. Οι μέθοδοι αυτοί χαρακτηρίζονται, επιπλέον, από πλήθος χειροκίνητα προσαρμοσμένων συνιστωσών και είναι δύσκολο να βελτιστοποιηθούν με καθολικό τρόπο. Για την αντιμετώπιση των περιορισμών αυτής της προσέγγισης, ένας αυξανόμενος αριθμός ερευνητικών εργασιών προτείνει ενιαία μοντέλα, όπου πραγματοποιούν ταυτόχρονα την ανίχνευση και παρακολούθηση. Παρόλα αυτά, εξακολουθούν συχνά να βασίζονται σε ευρετικές μεθόδους για την κίνηση και σε στάδια μετα-επεξεργασίας, ενώ ενδέχεται να υποφέρουν από ανταγωνισμό μεταξύ της ανίχνευσης και της συσχέτισης. Τα τελευταία χρόνια, η εισαγωγή της αρχιτεκτονικής Transformer και η επιτυχία της στην επεξεργασία φυσικής γλώσσας έχουν οδηγήσει στην υιοθέτησή της και στο πεδίο της Παρακολούθησης Πολλαπλών Αντικειμένων. Μέσω των μηχανισμών προσοχής, επιτρέπουν καθολική συλλογιστική και στοχεύουν στην εκμάθηση των χαρακτηριστικών που έχουν μεγαλύτερη σημασία. Οι μηχανισμοί προσοχής, επιτρέπουν την μοντελοποίηση μακράς εμβέλειας χρονικών εξαρτήσεων και καθολικών αλληλεπιδράσεων μεταξύ αντικειμένων, ενώ η ανίχνευση, η εξαγωγή χαρακτηριστικών και η συσχέτισή τους μπορούν να μοντελοποιηθούν από κοινού. Πέρα από τις εγγενείς δυσκολίες του προβλήματος και την πολυπλοκότητα των επιμέρους σταδίων επεξεργασίας, η δομή και τα χαρακτηριστικά των συνόλων δεδομένων διαδραματίζουν καθοριστικό ρόλο στη γενίκευση και τη συνολική απόδοση ενός συστήματος παρακολούθησης. Τα χαρακτηριστικά σχήματος, δομής και κίνησης των αντικειμένων επηρεάζουν σημαντικά την ακρίβεια της παρακολούθησης και εισάγουν πρόσθετη πολυπλοκότητα. Στο πλαίσιο αυτό, η παρούσα διπλωματική εργασία προτείνει μία συστηματική μελέτη της παραμορφωσιμότητας και της πολυπλοκότητας κίνησης. Με τη χρήση δύο διαφορετικών συνόλων δεδομένων, επιδιώκεται η ποσοτική ανάλυση των παραπάνω χαρακτηριστικών σε επίπεδο συνόλου δεδομένων. Εστιάζοντας σε μεθόδους Παρακολούθησης Πολλαπλών Αντικειμένων που βασίζονται σε Transformers, αναλύονται τα βασικά τους δομικά στοιχεία και αξιολογείται η αποτελεσματικότητά τους στο πρόβλημα της παρακολούθησης. Η μελέτη βασίζεται στη συγκριτική ανάλυση δύο καθιερωμένων συνόλων δεδομένων αναφοράς, των DanceTrack και MOT17, τα οποία παρουσιάζουν σημαντικές διαφορές ως προς την παραμορφωσιμότητα και την πολυπλοκότητα κίνησης των αντικειμένων. Στόχος της εργασίας είναι η διερεύνηση του τρόπου με τον οποίο οι μηχανισμοί προσοχής αξιοποιούν τα διαθέσιμα χαρακτηριστικά υπό διαφορετικές συνθήκες δεδομένων, καθώς και η αξιολόγηση του κατά πόσο τα μοντέλα παρακολούθησης που βασίζονται αποκλειστικά στην εμφάνιση ευνοούν σύνολα δεδομένων με συγκεκριμένα χαρακτηριστικά κίνησης και παραμόρφωσης. | |
| dc.identifier.uri | https://hdl.handle.net/10889/31372 | |
| dc.language.iso | en | |
| dc.rights | CC0 1.0 Universal | en |
| dc.rights.uri | http://creativecommons.org/publicdomain/zero/1.0/ | |
| dc.subject | Παρακολούθηση πολλαπλών αντικειμένων | |
| dc.subject | Υπολογιστική όραση | |
| dc.subject | Νευρωνικά δίκτυα | |
| dc.subject | Παραμόρφωση αντικειμένων | |
| dc.subject.alternative | Multiple object tracking | |
| dc.subject.alternative | Computer vision | |
| dc.subject.alternative | Neural networks | |
| dc.subject.alternative | Object deformation | |
| dc.title | Multiple object tracking via deep learning techniques | |
| dc.title.alternative | Παρακολούθηση πολλαπλών αντικειμένων με χρήση τεχνικών βαθείας μάθησης |