基于鲁棒特征学习和无需大规模预训练的在线判别式跟踪算法

点击上方蓝字

关注我们

导

读

      在视觉目标跟踪中，缺少训练样本一直是影响算法性能的最大瓶颈之一。近几年基于深度学习的目标跟踪算法受到广泛关注，这类算通常首先采用大规模离线数据来离线学习一个广义的特征表示模型；然后将预训练的特征表示迁移到具体的跟踪任务中。然而，离线预训练非常耗时，并且所学习到的广义特征表示可能缺乏判别性，或者容易对某些跟踪数据集产生过拟合的现象。针对这些问题，本文提出一种不需要大规模预训练的、基于鲁棒特征学习的在线判别式跟踪算法。我们首先设计一种基于主成分分析卷积神经网络的框架，该框架可以在高维特征空间中，通过少量的正负例样本，在线学习鲁棒的特征。然后，我们采用软阈值方法产生稀疏的特征表示，从而使得所生成的特征对目标表观变化更加鲁棒。为了进一步提升跟踪算法性能，我们采用基于物体边缘轮廓信息的似物性采样方法，来计算目标物体的似物性分值。最后，通过多线索融合机制估计出目标的最佳状态。在常用的目标跟踪数据库(OTB-50)上做了实验分析，验证了算法的鲁棒性和有效性。

文章精要

请长按下方二维码识别，阅读该文。

相关内容推荐：

基于BP神经网络和主成分分析的岩体滤波算法 2018 12(6)：1149-1159

卷积自适应降噪自动编码器 2018 12(6)：1140-1148

从上下文语境中学习： 基于相互增强模型的中文微博观点检索  2018 12(4)：714-724

决策树集成学习中的结构多样性 2018 12(3)：560-570

基于LDA模型的协同过滤  2018 12(3)：571-581

结合序列二次规划的回溯搜索算法 2018 12(2)：316-330

一种解决类不平衡问题的进化欠采样bagging集成分类算法 2018 12(2)：331-350

FCS 12(2) 人工智能专栏 | 关于差异进化算法中变异个体的选择

FCS 12(1) 文章 | 多峰问题全局优化的分布式学习粒子群优化算法

FCS 12(1) 文章 | 多层次的中文垃圾短信高效识别方法

---

Frontiers of Computer Science

---

Frontiers of Computer Science （FCS）是由教育部主管、高等教育出版社和北京航空航天大学共同主办、SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊，双月刊，全球发行。主要刊登计算机科学领域具有创新性的综述论文、研究论文等。本刊主编为周志华教授，共同主编为熊璋教授。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和中国科学引文数据库（CSCD）核心库等收录，为 CCF 推荐期刊；两次入选“中国科技期刊国际影响力提升计划”；入选“第4届中国国际化精品科技期刊”。

---

长按二维码关注Frontiers of Computer Science公众号