La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Open Access
A Robust Tracking with Low-Dimensional Target-Specific Feature Extraction
Open Access
Un suivi robuste avec une extraction de fonctionnalités spécifiques à la cible de faible dimension

Chengcheng JIANG, Xinyu ZHU, Chao LI, Gengsheng CHEN

  • Vues en texte intégral

    160

  • Citer
  • Free PDF (3.2MB)

Résumé:

Les CNN pré-entraînés sur ImageNet ont été largement utilisés dans le suivi d'objets pour l'extraction de fonctionnalités. Cependant, en raison de l'inadéquation de domaine entre la classification d'images et le suivi d'objets, la submersion des caractéristiques spécifiques à la cible par le bruit diminue considérablement la capacité d'expression des caractéristiques convolutives, ce qui entraîne un suivi inefficace. Dans cet article, nous proposons un algorithme de suivi robuste avec extraction de caractéristiques spécifiques à la cible de faible dimension. Premièrement, un nouveau module PCA en cascade est proposé pour avoir une extraction explicite des caractéristiques spécifiques à la cible de faible dimension, ce qui rend le nouveau modèle d'apparence plus efficace et efficient. Ensuite, un processus de filtre à particules rapide est mis en place pour accélérer davantage l'ensemble du pipeline de suivi en partageant le calcul convolutif avec une couche ROI-Align. De plus, un schéma guidé par score de classification est utilisé pour mettre à jour le modèle d'apparence afin de s'adapter aux variations de la cible tout en évitant la dérive du modèle provoquée par l'occlusion de l'objet. Les résultats expérimentaux sur OTB100 et Temple Color128 montrent que l'algorithme proposé a atteint des performances supérieures parmi les trackers en temps réel. En outre, notre algorithme est compétitif avec les trackers de pointe en termes de précision tout en fonctionnant à une vitesse en temps réel.

Publication
IEICE TRANSACTIONS on Information Vol.E102-D No.7 pp.1349-1361
Date de publication
2019/07/01
Publicisé
2019/04/19
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2019EDP7032
Type de manuscrit
PAPER
Catégories
Reconnaissance d'images, vision par ordinateur

Auteurs

Chengcheng JIANG
  Fudan University
Xinyu ZHU
  Fudan University
Chao LI
  Fudan University
Gengsheng CHEN
  Fudan University

Mots-clés

Table des matières