Visual object tracking with online weighted chaotic multiple instance learning

در این مقاله، یک ردیاب یادگیری فراگیر هرج و مرج مبتنی بر نظریه هرج و مرج برای ردیابی آنلاین قوی و کارآمد معرفی شده است. در این روش، ویژگی های هرج و مرج را می توان برای نشان دادن هدف و همچنین مدل ظاهر به روز رسانی استفاده کرد که برای ردیابی مورد استفاده قرار نگرفته است. معماری محاسباتی روش به شرح زیر است: (1) نمایندگی هرج و مرج: یک مدل هرج و مرج می تواند دینامیک پیچیده منطقه هدف را برای آموزش طبقه بندی های ضعیف جذب کند. نمایندگی ما می تواند ویژگی های جهانی و محلی را برای مقابله با حرکت سریع، انسداد جزئی و تغییرات نورانی تعادل کند. (2) اهمیت مثال: ابعاد فراکتال مدل پویا را می توان به عنوان وزن نمونه برای یادگیری آنلاین کارآمد تنظیم کرد. (3) تقریب هرج و مرج: تقریب هرج و مرج قوی برای به روز رسانی مدل ظاهر معرفی شده است، که برای انتخاب ویژگی های جدی و قوی ضروری است. یادگیری آنلاین هرج و مرج به سرعت فضای ویژگی را برای به روز رسانی مدل ظاهری هدف با استفاده از یک نقشه آشفته به کار می برد. نتایج تجربی نشان می دهد که روش پیشنهاد شده موثرتر و قوی تر از ردیاب های پیشرفته ترین در توالی های مختلف چالش برانگیز است. در واقع، کارایی روش پیشنهادی به به روز رسانی قوی آن در خط سیاست آشوب و همچنین نشان دادن هدف مطلوب مدل آشوبناپذیر است.