کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6941218 | 870325 | 2015 | 10 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Robust object tracking using semi-supervised appearance dictionary learning
ترجمه فارسی عنوان
ردیابی شیء با دقت با استفاده از یادگیری فرهنگ لغت ظاهر نیمه نظارت
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
ردیابی ویژوال برنامه نویسی انعطاف پذیر، یادگیری نیمه نظارتی، به روز رسانی فرهنگ لغت،
ترجمه چکیده
یک کار چالش برانگیز برای توسعه روش های ردیابی دقیق شی برای غلبه بر ظاهر پوسته پوسته و تغییرات پس زمینه است. روش های مبتنی بر یادگیری آنلاین به طور گسترده ای برای مقابله با چالش ها مورد استفاده قرار گرفته اند. با این حال، روش های آنلاین از مشکل رانندگی رنج می برند. نمایندگی انحصاری ظاهر شده اخیرا نشان داد که نتایج ردیابی شیء امیدوار کننده است. با این حال، آن فاقد به روز رسانی اطلاعات برای دقت دنباله اشیاء در دنباله های طولانی و یا هنگامی که ظاهر شی به شدت تغییر می کند. در این مقاله، یک چارچوب جدید برای ردیابی اشیا با استفاده از روش یادگیری فرهنگ لغت نیمه نظارتی پیشنهاد می کنیم. اولا، یک فرهنگ لغت ظاهر شیء در فریم اولیه آموخته می شود. ثانیا، در روش پیشنهادی برای یادگیری پایه های جدید هنگام تشخیص تغییر ظاهر شیء، یک مدل گراف مورد استفاده قرار می گیرد. پایگاه های انتخاب شده به طور خودکار جایگزین پایگاه های استفاده شده به ندرت استفاده می شود. روش پیشنهادی کمی در مقایسه با روش های پیشرفته در چندین مجموعه داده های چالش برانگیز مقایسه می شود. نتایج نشان داده است که چارچوب پیشنهادی ما روش های دیگر حتی زمانی که تغییرات ظاهری شدید رخ می دهد از روش های دیگر بهتر است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
It is a challenging task to develop robust object tracking methods to overcome dynamic object appearance and background changes. Online learning-based methods have been widely applied to cope with the challenges. However, online methods suffer from the problem of drifting. Sparse appearance representation has recently shown promising object tracking results. However, it lacks of information update to accurately track objects in long sequences or when object appearance drastically changes. In this paper, we propose a novel framework for tracking objects using a semi-supervised appearance dictionary learning method. Firstly, an object appearance dictionary is learned on the initial frame. Secondly, a graph model is employed in the proposed method for learning new bases when detecting object appearance change. The selected bases automatically replace the current rarely used bases. The proposed method is quantitatively compared with state-of-the-art methods on several challenging data sets. Results have shown that our proposed framework outperforms other methods even when drastic appearance variations happen.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 62, 1 September 2015, Pages 17-23
Journal: Pattern Recognition Letters - Volume 62, 1 September 2015, Pages 17-23
نویسندگان
Lei Zhang, Wen Wu, Terrence Chen, Norbert Strobel, Dorin Comaniciu,