文献

J-GLOBAL ID：201602265572593425   整理番号：16A1204768

視覚追跡のための深いメトリック学習【Powered by NICT】

Deep Metric Learning for Visual Tracking

著者 (3件)： Hu Junlin (School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore) ,  Lu Jiwen (Department of Automation, Tsinghua University, Beijing, China) ,  Tan Yap-Peng (School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore)
資料名： IEEE Transactions on Circuits and Systems for Video Technology  (IEEE Transactions on Circuits and Systems for Video Technology)
巻： 26  号： 11  ページ： 2056-2068  発行年： 2016年 
JST資料番号： W0321A  ISSN： 1051-8215  CODEN： ITCTEM  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,粒子フィルタフレームワークの下でのロバストなビジュアルトラッキングのための深いメトリック学習(DML)アプローチを提案した。ほとんどの既存の外見ベース視覚追跡,手作りの類似性計量を用いたとは異なり,このDMLトラッカーでは,フィードフォワードニューラルネットワークアーキテクチャを用いた対象物体と背景領域を分類するための非線形距離メトリックを学習する。は通常変化する変形,照明,オクルージョン,運動,回転,スケール,乱雑な背景による視対象の大きな変動から,従来の線形類似性計量は,このようなシナリオでは良く機能しなかった。これを解決するために,正の訓練対のクラス内変動は最小化される提案したDMLトラッカーでは,最初のテンプレートと粒子の両方を同じ特徴空間にフィードフォワード神経回路網における階層的非線形変換の集合を学習すると負の訓練対のクラス間変動を同時に最大化した。,学習された深層ネットワークにおけるテンプレートに最も類似した候補は真の標的として同定した。五十一の挑戦的なビデオを含むベンチマークデータセット上の実験は筆者らのDMLトラッカーは最先端レベルトラッカーと非常に競争力のある性能を達成することを示した。Copyright 2016 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： フィードフォワード ,  ネットワーク ,  オクルージョン ,  神経回路網 ,  ロバスト性 ,  録画装置 ,  *類似性
準シソーラス用語： 非線形変換 ,  特徴空間 ,  形状類似性 ,  *ホップ数 ,  粒子フィルタ ,  *メトリック学習 ,  *ビジュアルトラッキング , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (2件)： 視覚追跡 ,  メトリック学習