文献

J-GLOBAL ID：201702248886553776   整理番号：17A0373549

オンライン視覚追跡のための畳込みニューラルネット袋詰め【Powered by NICT】

Convolutional neural net bagging for online visual tracking

著者 (6件)： Li Hanxi (Jiangxi Normal University, 99 Ziyang Road, Nanchang, Jiangxi, China) ,  Li Hanxi (Computer Vision Research Group, Data61, Australia) ,  Li Yi (Toyota Research Institute, Ann Arbor, MI 48105, United States) ,  Li Yi (Computer Vision Research Group, Data61, Australia) ,  Porikli Fatih (Computer Vision Research Group, Data61, Australia) ,  Porikli Fatih (Research School of Engineering, Australian National University, Australia)
資料名： Computer Vision and Image Understanding  (Computer Vision and Image Understanding)
巻： 153  ページ： 120-129  発行年： 2016年 
JST資料番号： W0185A  ISSN： 1077-3142  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 最近,畳込みニューラルネットワーク(CNN)は,オンラインビジュアルトラッキングに成功裡に適用した。しかし,主要な問題は,そのようなモデルは二つの主要な因子のために必然的に上で適合できることである。モデルのオンライン訓練は,以前のフレームの検出のみに依存するので,最初のものはラベルノイズである。第二のものは,無作為化訓練戦略によるモデル不確実性がある。本研究では,バギングの枠組み(ブートストラップ凝集)内の雑音のあるラベルとモデル不確実性に対処する,効率的かつ効果的なビジュアルトラッキングをもたらした。袋の中の複数のモデルを使用することの代わりに,ここでは,対象物体の学習効果的な特徴表現のための単一マルチタスクCNNを設計した。我々のモデルでは,各タスクは同じ構造を持ち,畳込み同一の特徴セットを共有するが,異なるタスクのために生成された異なるランダムサンプルを用いて訓練した。重要な利点は,著者らのモデルのためのバギングオーバヘッドが最小であり,余分な努力は,これら多寿命モデルのように異なるタスクの出力を扱うために必要されていない。実験により,このCNNトラッカーでは,最近の三つのベンチマーク(80以上のビデオ列),純粋なオンラインバギングフレームワークにより学習された特徴表現の優位性を示し,最先端レベル手法よりも性能的に優れていることを実証した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 無作為抽出 ,  *畳込み ,  ブートストラップ ,  *ニューラルネットワーク ,  凝集 ,  学習 ,  雑音
準シソーラス用語： マルチタスク ,  特徴表現 ,  学習効果 ,  *ビジュアルトラッキング ,  *オンライン , 【Automatic Indexing@JST】

著者キーワード (3件)： 視覚追跡 ,  深い学習 ,  アンサンブル学習

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： オンライン ,  視覚追跡 ,  畳込み ,  ニューラルネット ,  袋詰め