.png){kind=icon}
返回
Robust visual tracking through hedging multiple features
.png){kind=icon}
PRE
AI
DOI：10.7717/peerj-cs.3851.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
视觉跟踪是一项具有挑战性的任务，因为目标物体往往由于严重遮挡、背景杂波、形变和突然运动等因素而发生显著的外观变化。本研究提出了一种新型跟踪器，通过融合多种特征（包括手工特征和从不同卷积层提取的深度特征）来增强目标与背景之间的判别能力。通过对每个特征应用相关滤波器生成弱跟踪器，并将所有弱跟踪器融合以创建更强、更稳健的跟踪器。为实现稳健的视觉跟踪，我们采用了一种融合方法，该方法自适应地确定弱跟踪器的权重，同时考虑它们历史性能与瞬时性能之间的差异以及所有弱跟踪器随时间的变化。此外，还利用自适应窗口来强调目标区域并缓解边界效应。在多个基准数据集上进行的大量实验证明了所提出方法的有效性和可行性。本研究的相关源代码公开可用，可访问以下链接获取：https://github.com/xianyou916/hmft。
Keyword:
Visual tracking
Correlation filter
Multiple features
Adaptive hedge
期刊
IF:
2.5
论文数:
3.4K
被引数:
6.9K
机构
引用论文
Procontext: Exploring Progressive Context Transformer for Tracking.png)
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
OAAI
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
OAAI分享收藏Artificial intelligence algorithms for object detection and recognition in video and images加格, S.; 拉贾拉姆, G.; 桑达尔, R.; 穆鲁甘, P.; 达克希纳莫尔蒂, P.; 曼尼马拉恩, A. 视频和图像中用于目标检测和识别的人工智能算法. 多媒体工具与应用. 2025, 83, 1–18. [谷歌学术] [CrossRef]
PREAI
分享收藏
查看更多内容