@MASTERSTHESIS{ 2024:1784273504,
 	title = {OneTrack - Modelos Baseados em Transformers e Eficientes em Tempo de Inferência para Rastreamento de Múltiplos Objeto},
 	year = {2024},
 	url = "https://tede.ufam.edu.br/handle/tede/10421",
 	abstract = "O Rastreamento de Múltiplos Objetos (MOT) é um problema crítico na visão compu tacional, essencial para entender como objetos se movem e interagem em vídeos. Este
 campo enfrenta desafios significativos, oclusões e dinâmicas ambientais complexas
 afetam a precisão e eficiência dos modelos. Enquanto abordagens tradicionais têm se
 apoiado em Redes Neurais Convolucionais (CNNs), este trabalho apresenta o OneTrack M, um modelo MOT baseado em transformers, projetado para aumentar a eficiência
 computacional e a precisão do rastreamento. Nossa abordagem simplifica a arquitetura
 típica baseada em transformers, ao eliminar a necessidade de um modelo decodificador
 para detecção e rastreamento de objetos. Ao invés disso, apenas o codificador serve
 como base para a interpretação de dados temporais, reduzindo significativamente o
 tempo de processamento e aumentando a velocidade de inferência. Paralelamente,
 emprega-se técnicas inovadoras de pré-processamento de dados e treinamento mul titarefa para abordar desafios diversos de objetivos dentro de um único conjunto de
 pesos. Resultados experimentais demonstram o OneTrack-M alcançando tempos de
 inferência pelo menos 25% mais rápidos em comparação com modelos de ponta na
 literatura, mantendo ou melhorando as métricas de precisão de rastreamento. Essas
 melhorias destacam o potencial da solução proposta para aplicações em tempo real,
 como veículos autônomos e sistemas de vigilância, tais respostas rápidas são cruciais
 para a eficácia do sistema.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de Pós-graduação em Informática},
 	note = {Instituto de Computação}
}