【摘 要】
：
针对光照变化引起目标跟踪性能显著下降的问题,提出一种光照补偿和低秩稀疏表示联合优化的视觉跟踪方法。该方法首先基于模板与候选目标的平均亮度差异对模板光照补偿;而后利用候选目标逆向稀疏表示模板,并考虑候选目标间相似性以对稀疏编码矩阵实施低秩约束,且包含稀疏误差项以提高算法对局部遮挡的稳健性,从而获得光照补偿和低秩稀疏表示联合优化模型;最后,基于该模型所得稀疏编码矩阵快速剔除无关候选目标,并采用局部结构
论文部分内容阅读
针对光照变化引起目标跟踪性能显著下降的问题,提出一种光照补偿和低秩稀疏表示联合优化的视觉跟踪方法。该方法首先基于模板与候选目标的平均亮度差异对模板光照补偿;而后利用候选目标逆向稀疏表示模板,并考虑候选目标间相似性以对稀疏编码矩阵实施低秩约束,且包含稀疏误差项以提高算法对局部遮挡的稳健性,从而获得光照补偿和低秩稀疏表示联合优化模型;最后,基于该模型所得稀疏编码矩阵快速剔除无关候选目标,并采用局部结构化评估方法实现目标精确跟踪。仿真结果表明,与现有主流算法相比,剧烈光照变化情况下,本文方法可显著改善目标
其他文献
提出一种包含去模糊的空间变换区域卷积神经网络的目标检测算法.首先,基于主动毫米波圆柱扫描成像原理对人体进行三维成像(频率24～30GHz),建立毫米波图像数据集.然后,估计毫米波图像的模糊核,通过卷积去噪网络获得图像先验知识,将其集成到半二次分裂的优化方法中,以实现非盲目去模糊.最后,由定位网络、网格生成器和采样网络三部分组成空间变换网络,将它融入到特征提取网络中,在去模糊后实现目标检测.通过该非
Purpose: This paper presents the ARQUIGRAFIA project, an open, public and nonprofit, continuous growth web collaborative environment dedicated to Brazilian architectural photographic images.Design/met
Seven soil profiles developed on calcium carbonate–rich slope deposits in the Polish Carpathians were studied in order to: i) determine the micromorphological features of heterogeneous soils formed in
Alpine grassland is the typical vegetation in the eastern Qinghai–Tibetan Plateau, which has important ecological service functions, and also supports the development of alpine stock farming. In recen
近年来,深度学习的研究进展本质上是基于"以大数据驱动小任务"的范式,其依靠的是通过大量数据训练的分类器解决一项单一的任务。本文中,我们提出将范式中数据和任务的关系颠倒。在"以小数据驱动大任务"的新范式下,只有少量数据的单一人工智能系统便可以发展出"常识",并且用"常识"来解决各种任务。通过回顾综合了机器与人类视觉常识模型的最新突破,我们将阐释这个新范式的潜力。我们将功能性(functionalit
准确和详细的土壤水分信息对于灌溉、旱涝预报、水资源管理和田间尺度决策等至关重要。近年来发射的从太空测量土壤湿度的卫星继续改善了土壤湿度信息的可用性。然而,这些卫星产品的用途受到微波传感器粗空间分辨率的限制。美国普林斯顿大学的Vergopolan等提出了一种合并框架,将高分辨率陆面模式(LSM)、辐射传输模型
本文从几何角度来理解深度学习,特别是提出了生成对抗网络(GAN)的最优传输(OT)观点。自然数据集具有内在的模式,该模式可被概括为流形分布原理,即同一类高维数据分布于低维流形附近。GAN主要完成流形学习和概率分布变换两项任务。其中,后者可以用经典的OT方法来实现。从OT的角度来看,生成器用于计算OT映射,而判别器用于计算生成数据分布与真实数据分布之间的Wasserstein距离;两者都可以归结为一
20世纪70年代认知心理学已经认识到,长期记忆的内容应为语义和情景的集成[1],并被分别编码为言语和心象的表征[2]。1991年,笔者在论文《形象思维中的形象信息模型的研究》[3]中指出,并非所有言语命题都能从言语系统中推理而获得,很多只能从形象系统中转化而来。两个月前,笔者在论文《论视觉知识》[4]中提出了视觉知识(VK)的概念,它包括视觉概念、视觉命题和视觉述事。视觉知识可以模拟人在大脑中能对
为使多聚焦图像的融合结果能保持全局性、保留局部的细节且对未配准源图像具有鲁棒性,提出了一种隐低秩表示结合低秩表示的多聚焦图像融合算法。该算法通过对源图像进行隐低秩表示,得到图像的低秩(全局)部分和显著(细节)部分,然后对低秩部分和显著部分分别使用滑动窗口技术分块,并将分块使用4个方向的Sobel算子进行分类学习子字典,将子字典合成完整字典后进行低秩表示,接着对低秩部分和显著部分的低秩系数分别进行融
为提高多焦距图像融合质量,提出了一种基于支持向量机(SVM)和窗口梯度的多焦距图像融合方法。该方法首先对多焦距图像进行基于窗口的经验模态分解(WEMD),得到一组内涵模式函数分量(高频)和残余分量(低频),WEMD可以有效解决图像分解中的信号混叠问题;然后,利用SVM的输出指导低频分量融合,选取更清晰的聚焦区域;利用本文的窗口梯度对比算法指导高频分量融合,在保持融合图像对比度的同时保证图像的一致性