Visual tracking via adaptive multi-task feature learning with calibration and identification

به تازگی فراگیری یادگیری چندتایی یک رویکرد به طور گسترده ای برای ردیابی بصری شده است، زیرا از ویژگی های مشترک در میان وظایف بهره مند شده است. با این حال، انتخاب ویژگی های مناسب از وظایف متعدد هنوز یک مشکل چالش برانگیز است به دلیل تنوع پیچیده ای از ظاهر از اشیاء متحرک، که نه تنها ویژگی های یک کار تک، بلکه همچنین روابط بین ویژگی های کارهای چندگانه را تحت تاثیر قرار می دهد. برای رسیدگی به این مشکل، این مقاله جدیدترین مدل یادگیری ناسازگاری را برای انتخاب ویژگی های چند تابع سازگار فراهم می کند. در مقایسه با مدل های چند تابع موجود، مدل پیشنهادی قادر است هر دو تابع از دست دادن را طبق سطح سر و صدا یک وظیفه برای حفظ ویژگی های خاص خود، و شناسایی وظایف مربوطه و بی معنی (خارج از حد) همزمان با تجزیه ماتریس منظم به دو ساختار مشخص مدل پیشنهادی اجازه می دهد تا از طریق کالیبراسیون ویژگی های خاصی از وظایف فردی را حفظ کند و از طریق شناسایی از الگوی ناقص در مورد کارهای مربوطه استفاده کند. ارزیابی تجربی نشان می دهد که روش پیشنهادی دارای عملکرد بهتر نسبت به تعدادی از ردیاب های پیشرفته ترین در توالی های تصویری عمومی موجود است.