文献

J-GLOBAL ID：201702266398336941   整理番号：17A1349998

視覚追跡のためのKernalised多重解像度Convnet【Powered by NICT】

Kernalised Multi-resolution Convnet for Visual Tracking

著者 (4件)： Wu Di ,  Zou Wenbin ,  Li Xia ,  Zhao Yong
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： CVPRW  ページ： 2241-2248  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： ビジュアルトラッキングは本質的に時間的問題である。識別相関フィルタ(DCF)は高速一般的な視覚物体追跡のための優れた性能を実証した。独創的な研究に基づいて,視覚追跡のための特徴抽出器としてImageNetにpretrained畳込みニューラルネットワーク(CNN)に基づく最近の改良の多くした。しかし,それらの研究の大部分はアンサンブル追跡装置としてブースティングまたはヘッジ技術を用いて異なる層に対する重みを設計するためのad hoc解析に依存する。本論文では,従来のDCF枠組みを越えて,ターゲット運動を出力直接階層的応答マップを利用するKernalised多重解像度Convnet(KMC)定式化を提案した。重量調整なしで見えない挑戦的なUAV追跡データセットを予測するための学習ネットワークを展開し直接と,提案したモデルは,一貫して優れた追従性能を達成した。さらに,移動したmultireslution CNNは,RNN時間学習フレームワークに統合され,視覚追跡のためのエンドツーエンド時間深層学習(TDL)上のドアを開放することが可能となる。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： ネットワーク ,  特徴抽出 ,  フィルタリング ,  畳込み ,  定式化 ,  *視覚 ,  エンドツーエンド方式 ,  ニューラルネットワーク ,  学習 ,  トラッキング装置
準シソーラス用語： 深層学習 ,  ブースティング ,  物体追跡 ,  相関フィルタ ,  *多重解像度 ,  *ビジュアルトラッキング , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (2件)： 視覚追跡 ,  多重解像度