计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2015年
2期
466-469,475
,共5页
目标跟踪%多实例学习%分类器%漂移%样本集
目標跟蹤%多實例學習%分類器%漂移%樣本集
목표근종%다실례학습%분류기%표이%양본집
object tracking%Multiple Instance Learning (MIL)%classifier%drift%sample set
基于多示例学习(MIL)的跟踪算法能在很大程度上缓解漂移问题.然而,该算法的运行效率相对较低,精度也有待提高,这是由于MIL算法采用的强分类器更新策略效率不高,以及分类器更新速度与目标外观变化速度不一致引起的.为此提出一种新的强分类器更新策略,以大幅提升MIL算法的运行效率;同时提出一种动态更新分类器学习率的机制,使更新后的分类器更符合目标的外观,提高跟踪算法的精度.通过实验将该算法和MIL算法以及基于加权多示例学习的跟踪算法(WMIL)进行对比,实验结果表明,所提出算法的运行效率和跟踪精度都是三者中最好的,在背景中没有与被跟踪目标外观相似的干扰物体存在时有较好的跟踪优势.
基于多示例學習(MIL)的跟蹤算法能在很大程度上緩解漂移問題.然而,該算法的運行效率相對較低,精度也有待提高,這是由于MIL算法採用的彊分類器更新策略效率不高,以及分類器更新速度與目標外觀變化速度不一緻引起的.為此提齣一種新的彊分類器更新策略,以大幅提升MIL算法的運行效率;同時提齣一種動態更新分類器學習率的機製,使更新後的分類器更符閤目標的外觀,提高跟蹤算法的精度.通過實驗將該算法和MIL算法以及基于加權多示例學習的跟蹤算法(WMIL)進行對比,實驗結果錶明,所提齣算法的運行效率和跟蹤精度都是三者中最好的,在揹景中沒有與被跟蹤目標外觀相似的榦擾物體存在時有較好的跟蹤優勢.
기우다시례학습(MIL)적근종산법능재흔대정도상완해표이문제.연이,해산법적운행효솔상대교저,정도야유대제고,저시유우MIL산법채용적강분류기경신책략효솔불고,이급분류기경신속도여목표외관변화속도불일치인기적.위차제출일충신적강분류기경신책략,이대폭제승MIL산법적운행효솔;동시제출일충동태경신분류기학습솔적궤제,사경신후적분류기경부합목표적외관,제고근종산법적정도.통과실험장해산법화MIL산법이급기우가권다시례학습적근종산법(WMIL)진행대비,실험결과표명,소제출산법적운행효솔화근종정도도시삼자중최호적,재배경중몰유여피근종목표외관상사적간우물체존재시유교호적근종우세.
