文献

J-GLOBAL ID：201702238994844991   整理番号：17A1725421

U AV標的追跡のための学習2進符号特徴【Powered by NICT】

Learning binary code features for UAV target tracking

著者 (5件)： Xiao Qiao (Harbin Institute of Technology, Shenzhen, Shenzhen, China) ,  Zhang Qinyu (Harbin Institute of Technology, Shenzhen, Shenzhen, China) ,  Wu Xi (Harbin Institute of Technology, Shenzhen, Shenzhen, China) ,  Han Xiao (Harbin Institute of Technology, Shenzhen, Shenzhen, China) ,  Li Ronghua (Harbin Institute of Technology, Shenzhen, Shenzhen, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICCSSE  ページ： 65-68  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 標的追跡中に,より高いトラッキング精度を得るために,トラックしたい領域は優れた特徴発現を持つべきである。さらに,通常UAV追跡,標的変形,スケール変化とこう合のような中に遭遇する問題を取り扱うためにマルチレベルおよび複雑な特徴を抽出する必要がある。しかし,そのような特徴は実時間追跡に深刻な影響を与えるであろうより複雑な追跡を行った。上記問題を考慮して,特徴選択のためのランダムフォレストを利用して,二値符号の特徴,トラッカー最大冗長性が速度を低減できるだけでなく,変換した。UAV追跡の精度をさらに改善するために,背景から物体を識別するためのオンライン学習のための構造化SVMを利用した。添加では,スケールピラミッドトラッカのスケール不変性,物体のより正確な位置を得るために役立つを達成するために適用した。古典的U AVオブジェクトトラッキングデータセットUAV123上で提案手法の有効性とロバスト性を検証した。Copyright 2017 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： *学習 ,  構造形成 ,  特徴選択 ,  スケール不変性 ,  ロバスト性 ,  冗長性 ,  咬合
準シソーラス用語： オンライン学習 ,  ランダムフォレスト ,  マルチレベル , 【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 (4件)： 標的 ,  追跡 ,  学習 ,  2進符号