کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4948309 | 1439614 | 2016 | 27 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Robust lifelong visual tracking using compact binary feature with color attributes
ترجمه فارسی عنوان
ردیابی بصری مادام العمر با طول عمر با استفاده از ویژگی باینری جمع و جور با ویژگی های رنگ
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
ردیابی ویژوال یادگیری مادام العمر، کد باینری فشرده، ویژگی های رنگ،
ترجمه چکیده
در این مقاله، ما مسئله ردیابی بصری را بررسی می کنیم که در آن هدف هدف، تغییرات ظاهری به علت تغییرات نور، انسداد، حرکت، اختلال پس زمینه و تغییر شکل را تحت تاثیر قرار می دهد. برای مقابله با تغییرات قابل توجه ظاهر، ویژگی های رنگی را به ویژگی شکل سنتی در سطح سلول معرفی می کنیم، بازنویسی ویژگی های جدید، در نظر گرفته می شود، هر دو تغییرات فوتومتریک و همچنین قدرت تشخیصی آن. ما یک کد باینری جمع و جور را برای ویژگی شکل-رنگ برای کاهش ابعاد بزرگ، و تابع هش را به صورت آنلاین به روز می کنیم. یک مدل یادگیری مادام العمر تبعیض آمیز برای ساختن مدل ظاهری ساخته شده است که به طور مطلوب شی را از اطراف آن جدا می کند. یادگیرنده مادام العمر از مبانی پنهان مشترک برای انتقال مشاهدات تاریخی به طبقه بندی ساده استفاده می کند در حالی که یک قاب جدید وارد می شود. نتایج تجربی در معیار ردیابی نشان می دهد که الگوریتم ردیابی پیشنهادی پیشرفته ترین روش های پیشرفته است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
In this paper, we address the problem of visual tracking where the target object undergo appearance variations due to illumination variation, occlusion, motion, background clutter and deformation. To deal with the significant appearance variations, we introduce color attributes into traditional shape feature at cell level, the new feature representation takes into consideration both its photometric invariance as well as its discriminative power. We construct compact binary code for the shape-color feature to reduce the high dimensions, and update the hash function in an online manner. A discriminative lifelong learning model is built to construct an appearance model that optimally separates the object from its surrounds. The lifelong learner uses the shared latent basis to transfer historical observations to simple classifier while a new frame arrives. Experimental results on tracking benchmark demonstrate that the proposed tracking algorithm outperforms state-of-the-art methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 213, 12 November 2016, Pages 172-182
Journal: Neurocomputing - Volume 213, 12 November 2016, Pages 172-182
نویسندگان
Rui Yao, Shixiong Xia, Yong Zhou, Qiang Niu,