کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6865865 678089 2015 35 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Robust visual tracking via multi-graph ranking
ترجمه فارسی عنوان
ردیابی بصری قوی از طریق رتبه بندی چند گراف
کلمات کلیدی
دیدگاه کامپیوتر، ردیابی ویژوال یادگیری چند گراف رتبه بندی مبتنی بر گراف
ترجمه چکیده
ردیابی شیء یک مشکل اساسی در دید کامپیوتر است. اگرچه پیشرفت زیادی صورت گرفته است، ردیابی شیء همچنان یک مشکل چالش برانگیز است، زیرا این امر مستلزم یادگیری یک مدل موثر برای تغییر ظاهر ناشی از عوامل ذاتی و بیرونی است. برای بهبود قابلیت اطمینان و اثربخشی، این مقاله رویکردی را ارائه می دهد که ترکیبی از رتبه بندی مبتنی بر گراف و نمایش های چند ویژگی برای ردیابی را بررسی می کند. ما ماتریس های گراف چندگانه با انواع مختلفی از ویژگی های بصری را ایجاد می کنیم و گراف های متعدد را به یک چارچوب درست تنظیم می کنیم تا یک بردار رتبه بندی را یاد بگیریم. به طور خاص، این رویکرد، با اضافه کردن یک اصطلاح قانونی برای محدود کردن تفاوت بین دو بردار وزن در فریم های مجاور، هماهنگی زمانی را به کار می برد. در این مقاله یک طرح بهینه سازی تکراری به کار برده شده است. نتایج تجربی در مورد انواع توالی های ویدئویی چالش برانگیز نشان می دهد که الگوریتم پیشنهاد شده به طور مطلوب در برابر روش های ردیابی بصری پیشرفته اجرا می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
ردیابی بصری قوی از طریق رتبه بندی چند گراف
چکیده انگلیسی
Object tracking is a fundamental problem in computer vision. Although much progress has been made, object tracking is still a challenging problem as it entails learning an effective model to account for appearance change caused by intrinsic and extrinsic factors. To improve the reliability and effectiveness, this paper presents an approach that explores the combination of graph-based ranking and multiple feature representations for tracking. We construct multiple graph matrices with various types of visual features, and integrate the multiple graphs into a regularization framework to learn a ranking vector. In particular, the approach has exploited temporal consistency by adding a regularization term to constrain the difference between two weight vectors at adjacent frames. An effective iterative optimization scheme is also proposed in this paper. Experimental results on a variety of challenging video sequences show that the proposed algorithm performs favorably against the state-of-the-art visual tracking methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 159, 2 July 2015, Pages 35-43
نویسندگان
, , ,