10.13700/j.bh.1001-5965.2016.0788
基于深度稀疏学习的鲁棒视觉跟踪
视觉跟踪中,高效鲁棒的特征表达是复杂环境下影响跟踪性能的重要因素.提出一种深度稀疏神经网络模型,在提取更加本质抽象特征的同时,避免了复杂费时的模型预训练过程.对单一正样本进行数据扩充,解决了在线跟踪时正负样本不平衡的问题,提高了模型稳定性.利用密集采样搜索算法,生成局部置信图,克服了采样粒子漂移现象.为进一步提高模型的鲁棒性,还分别提出了相应的模型参数更新和搜索区域更新策略.大量实验结果表明:与当前主流跟踪算法相比,该算法对于复杂环境下的跟踪问题具有良好的鲁棒性,有效地抑制了跟踪漂移,且具有较快的跟踪速率.
视觉跟踪、深度学习、深度稀疏神经网络、稀疏自编码器、局部置信图
43
TP391(计算技术、计算机技术)
2018-05-07(万方平台首次上网日期,不代表论文的发表时间)
共10页
2554-2563