Beyond appearance model: Learning appearance variations for object tracking

در این مقاله، ما یک مدل پیش بینی مدل تغییر شکل ظاهری ارائه می کنیم که می تواند در چارچوب ردیابی مبتنی بر مدل ظاهری سازنده موجود قرار گیرد. از آثار موجود متفاوت است که در آن مدل یادگیری ظاهری آنلاین با نتایج حاصل از ردیابی به دست می آید، ما پیش بینی خطای بازسازی ظاهر را پیشنهاد می کنیم. ما متوجه می شویم که اگرچه مدل ظاهری آماری می تواند دقیقا هدف مورد نظر در فریم های قبلی را توصیف کند، نتیجه ردیابی هنوز در صورتی که در فریم زیر باشد دقیق نباشد، پچ بیشتر شبیه به مدل ظاهر، هدف قرار گرفته است. ابتدا پدیده فوق را با انجام آزمایش بر روی دو توالی عمومی بررسی و کشف کردیم که در بیشتر موارد بهترین هدف با خطای بازسازی حداقل نیست. سپس ما سه نوع از ویژگی های که می تواند حرکت، ظاهر، اطلاعات خطا بازسازی ظاهر از تکه های تصویر اطراف هدف را رمزگذاری، و ضبط عوامل بالقوه است که ممکن است تغییرات ظاهر هدف و همچنین خطای بازسازی خود را ضبط. در نهایت، با استفاده از این ویژگی ها، یک جنگل تصادفی موثر برای پیش بینی خطای بازسازی هدف در طی ردیابی یاد می گیریم. آزمایشات در مجموعه داده های مختلف نشان می دهد که روش پیشنهادی می تواند با بسیاری از ردیاب های موجود ترکیب شده و عملکرد آنها را به طور قابل توجهی بهبود بخشد.