Скачать или смотреть отслеживание слабых объектов с помощью дешевых камер.

Код для самостоятельного тестирования можно найти здесь: https://github.com/ConsistentlyIncons...
Twitter: https://x.com/ConsistInconsis
Проверка фактов: это новое решение? В основном, да. Пожалуй, самое близкое, что я смог найти, — это что-то вроде того, как они распознают теннисные мячи, используя сходство пикселей с неоново-жёлтым цветом теннисных мячей, а не движение. Это работает только для них из-за того, что теннисные мячи на их камерах большие, а камеры с более высоким разрешением расположены гораздо ближе. Стоимость решения настолько низкая, потому что не нужно размещать камеры так, чтобы они были выровнены по одной воксельной сетке. Это означает, что их можно разбросать в случайных ориентациях и рассчитывать на множество различных воксельных сеток, что значительно сокращает необходимое количество камер. Даже объём данных, необходимых для передачи на центральный воксельный процессор, не так уж велик, поскольку можно просто наложить изображения друг на друга и отправить их с «длительной выдержкой», и это ещё до обработки изображения и сетки вокселей для распознавания интересующих областей и отправки их в более высоком качестве. Кроме того, для распознавания f35 требуется не так уж много изображений, поскольку я уверенно справился всего с 10-20 изображениями 1920x1080 (в зависимости от того, как вы хотите определить момент идентификации), что, по сути, совсем немного данных.

Изображения были визуализированы с помощью трассировки лучей в Blender, поскольку у меня, к сожалению (или к счастью), нет пролетающих над головой f35. Однако именно так они выглядят на самом деле, что упрощает генерацию изображений: алгоритму абсолютно ничего не сообщает о наличии объекта, кроме значений цветов RGB на изображениях.

Я использовал кадры от @PosyMusic, большое спасибо за это потрясающее видео об извлечении движения, оно меня очень вдохновило.

Я также использовал кадры от @scottmanley и @veritasium, fly safe.