کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4947408 | 1439580 | 2017 | 41 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Visual object tracking with online weighted chaotic multiple instance learning
ترجمه فارسی عنوان
ردیابی شیء ویژوال با یادگیری نمونه چندگانه با توجه به هرج و مرج آنلاین
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
ترجمه چکیده
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.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
In this paper, a chaotic multiple instance learning tracker based on chaos theory for a robust and efficient online tracking is introduced. In this method, chaotic characteristics can be utilized for representing the target as well as the updating appearance model, which has not been used for the tracking task. The computational architecture of the method is organized as follows. (1) Chaotic representation: a chaotic model can capture the complex dynamics of the target region to train the weak classifiers. Our representation can balance the global and local features to handle fast motion, partial occlusion, and illumination changes. (2) Importance of instance: fractal dimension of the dynamic model can be adjusted as instance weight for efficient online learning. (3) Chaotic approximation: A robust chaotic approximation to update the appearance model is introduced, which is crucial to select the discriminative and robust features. Chaotic online learning quickly explores the feature space to update the appearance model of the target by means of a chaotic map. The experimental results reveal that the proposed method is more effective and robust than the state-of-the-art trackers on various challenging sequences. Indeed, the efficiency of the proposed method is attributed to its strong online updating of chaotic policy as well as desirable target representation of chaotic model.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 247, 19 July 2017, Pages 16-30
Journal: Neurocomputing - Volume 247, 19 July 2017, Pages 16-30
نویسندگان
Marjan Abdechiri, Karim Faez, Hamidreza Amindavar,