کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8902303 1631962 2018 26 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Coupling deep correlation filter and online discriminative learning for visual object tracking
ترجمه فارسی عنوان
اتصالات فیلتر همبستگی عمیق و آموزش آنلاین تبعیض آمیز برای ردیابی شیء بصری
کلمات کلیدی
ردیابی ویژوال فیلتر همبستگی تبدیل فوریه، بهینه سازی آنلاین، یادگیری عمیق،
ترجمه چکیده
پیشرفت در مدل های ریاضی و بهینه سازی ابزار قدرتمند برای حل مسئله ردیابی شیء بصری را معرفی می کند، اما این مشکل اساسی با توجه به چالش های مختلف مانند تغییر نور، تغییر شکل و انسداد هنوز حل نشده است. پیشرفت اخیر در مدل های مبتنی بر فیلتر همبستگی یک راه حل موثر و کارآمد ردیابی ارائه کرده است. این نوع ردیابها از ویژگی قضیه کنولولوس بهره میبرند تا فرآیندهای محاسباتی خود را به طور قابل توجهی سریعتر کنند. با این حال، طرح های خود را از فیلتر همبستگی آموزش آنها را محدود به استفاده از تنها چند نمونه منفی برای آموزش مدل خود، در نتیجه عملکرد آنها را کاهش می دهد. بنابراین، در این مقاله، ما پیشنهاد می کنیم که استفاده سریع از فاکتور همبستگی با یک مدل یادگیری تبعیض آمیز آنلاین، که می تواند به طور کامل از نمونه های منفی در زمینه اطراف هدف بهره برداری کند، ترکیب شده است. ردیاب پیشنهادی در یک طرح درشت و ریز قرار دارد: ردیاب پیشنهادی برای اولین بار از یک فیلتر همبستگی برای تولید تخمین زشتی از محل هدف استفاده می کند و سپس یک مدل ترجمه برای اصلاح تخمین آن و محاسبه تنوع مقیاس هدف از طریق یک مدل پویشگر. هر دو مدل ترجمه و مدل پوسته پوسته شدن در چارچوب مدل آنلاین تبعیض آمیز ما فرموله شده است. علاوه بر این، ما همچنین روش یادگیری مؤثر آفلاین را برای ایجاد ویژگی تصویر قوی برای فیلتر همبستگی ما پیشنهاد می کنیم. آزمایش های گسترده در رابطه با ردیابی شیء آنلاین بر اساس روش های پیشرفته ترین، اثربخشی ردگیر پیشنهادی را اثبات می کند.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات ریاضیات کاربردی
پیش نمایش مقاله
اتصالات فیلتر همبستگی عمیق و آموزش آنلاین تبعیض آمیز برای ردیابی شیء بصری
چکیده انگلیسی
Advances in mathematical models and optimization introduce powerful tools for solving the visual object tracking problem, but this fundamental problem remains unsolved due to various challenges such as illumination variation, deformation and occlusion. Recent progress in correlation filter based models has provided an effective and efficient tracking solution. This type of trackers exploits the property of convolution theorem to significantly speed up their computational processes. However, their scheme of training correlation filters restricts them to use only a few negative examples to train their model, consequently lowers their performance. Therefore, in this paper, we propose to combine the fast calculation advantage of correlation filter with an online discriminative learning model, which can fully exploit the negative examples in the context around the target. The proposed tracker proceeds in a coarse-to-fine scheme: the proposed tracker will first employ a correlation filter to generate a coarse estimation of the location of the target, and then employ a translating model to refine its estimation and calculate the scale variation of the target via a scaling model. Both the translating model and the scaling model are formulated in the framework of our online discriminative model. Besides, we also propose an effective offline representation learning method to generate robust image feature for our correlation filter. Extensive experiments on the online Object Tracking Benchmark against the state-of-the-art methods validate the effectiveness of the proposed tracker.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Computational and Applied Mathematics - Volume 329, February 2018, Pages 191-201
نویسندگان
, , , ,