Nonnegative coding based ensemble tracking

ما یک چارچوب یادگیری گروهی جدید را برای ردیابی شیء بصری توصیف می کنیم که بر خلاف رویکردهای موجود، به کدگذاری اصلاح شده غیر انتزاعی مبتنی است تا زیر مجموعه های مطلوب طبقه بندی ها را انتخاب و وزن های مربوطه را تعیین کند. طبقه بندی گروهی به دست می آید که ردیاب قوی تر است. به روز رسانی تکرار و اثبات همگرایی برای حل تابع هدف از برنامه نویسی مبتنی بر برنامه نویسی مبتنی بر یادگیری ارائه شده است. برای ردیابی شیء، ما از برچسب پیش بینی شده توسط هر یک از طبقه بندی کننده انتخاب شده برای محاسبه میزان طبقه بندی صحیح استفاده می کنیم و سپس از آن برای شناسایی انسداد استفاده می کنیم که برای رفع ردیابی ریزگردان حیاتی است. ارزیابی بر روی پنجاه توالی معکوس به چالش کشیدن انجام می شود و رویکرد ما را به دست آوردن یا نادیده گرفتن وضعیت هنر نشان می دهد.