结合SDAE网络和ODB学习策略的多目标视觉跟踪

来源 :小型微型计算机系统 | 被引量 : 1次 | 上传用户:jovin_chow
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对目标视觉跟踪过程发生的目标漂移和错误匹配问题,提出一种基于SDAE(stacked DAE,堆叠去噪自编码器)网络和在线Deep Boost学习(Online Deep Boost,ODB)策略的多目标视觉跟踪算法.该方法首先在SDAE网络上通过ODB方法学习目标的局部-全局特征.然后根据特征权重结合粒子滤波器和soft-max分类器跟踪目标并对其分类,得到目标最相似的状态值.最后引入时间信息得到目标外观的动态持续时间,在线更新模型以适应目标的外观变化.实验表明,该算法能够有效适应目标外观变化,
其他文献
该文从挂篮荷载计算、施工流程、支座及临时固结施工、挂篮安装及试验、合拢段施工、模板制作安装、钢筋安装、混凝土的浇筑及养生、测量监控等方面人手,介绍了S226海滨大桥
Android组件间通信为应用程序带来了便利性的同时也增加了安全隐患,可能导致多个应用程序协作进行共谋攻击.针对该问题,提出一种形式化的方法对Andriod应用程序的组件间通信
移动云计算能为用户提供低成本、可靠和稳定的服务,移动云环境下实时协同系统的研究正逐渐成为协同系统发展的方向.随着云计算和移动互联网的发展,基于点对点分布式架构的协
种业是农业发展的基础,也是重要的生产资料.西藏种业始终得到了中央和自治区党委和政府的高度重视和自治区涉农部门的大力支持.特别是《国务院关于加快推进现代农作物种业发
针对传统紧框架域L1范数模型忽略框架变换后分解系数与原始图像结构信息之间的联系,采用均匀惩罚的不足,提出一种新的重加权紧框架L1范数正则化稀疏模型.首先对待恢复图像进行紧框架分解,得到包含原始图像多层结构信息的框架系数;其次在L1范数稀疏正则化的基础上,引入框架系数模的图像先验信息作为权重函数,建立重加权L1范数的正则化能量泛函;最后结合恢复过程中权重因子的更新,采用多步交替优化算法求解模型.算法
该文从挂篮荷载计算、施工流程、支座及临时固结施工、挂篮安装及试验、合拢段施工、模板制作安装、钢筋安装、混凝土的浇筑及养生、测量监控等方面人手,介绍了S226海滨大桥
该文从挂篮荷载计算、施工流程、支座及临时固结施工、挂篮安装及试验、合拢段施工、模板制作安装、钢筋安装、混凝土的浇筑及养生、测量监控等方面人手,介绍了S226海滨大桥
期刊