文献

J-GLOBAL ID：201802254843334584   整理番号：18A0537419

ロバスト視覚物体追跡のための畳込みニューラルネットワークをベースとしたスケール適応カーネル化相関フィルタ【Powered by NICT】

Convolutional neural networks based scale-adaptive kernelized correlation filter for robust visual object tracking

著者 (3件)： Liu Bing (College of Computer Science and Technology, Chongqing University of Posts and Telecommunications, College of Computer Science, Chongqing University, Chongqing, China) ,  Zhu Zhengyu (College of Computer Science, Chongqing University Chongqing, China) ,  Yang Yong (Open Platform Department, China Mobile IOT Company Limited, Chongqing, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： SPAC  ページ： 423-428  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： 物体外観は有意な変化を発生する視覚的物体追跡は困難である,スケール変化,背景乱雑性,オクルージョン,など。本論文では,作物物体周りの異なるサイズマルチスケールテンプレートのおよびオブジェクトトラッキングのサイズ変化を適応性ネットワークをpretrainネットワークへのこれらのマルチスケールテンプレートを入力する。深い畳込みニューラルネットワーク(CNN)に基づく追跡法以前とは異なり,深い残留ネットワーク(ResNet)はImageNetのマルチスケールオブジェクトの外見モデルを訓練オフラインに利用し,pretrainedネットワークからの特徴は,トラッキングタスクへ変換した。一方,提案した方法は,多層畳込み特徴を組み合わせ,障害,スケール変化,オクルージョンに対してロバスト性を持つ。添加では,三カーネル化相関フィルタにマルチスケール探索戦略,物体の適応スケール変化の能力を増強することを融合した。以前の方法とは異なり,ここでは直接ResNetへのマルチスケールテンプレートを統合することにより,オブジェクトの外見変化を学習する。法他のCNNベースまたは相関フィルタ追跡法と比較し,実験結果は筆者らの追跡法は,物体追跡ベンチマーク(OTB 2015)と視覚物体追跡ベンチマーク(VOT 2015)に関する既存の最先端の追跡法よりも優れていることを示した。Copyright 2018 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： 寸法変化 ,  ベンチマーク ,  *ネットワーク ,  オクルージョン ,  *ロバスト性 ,  適応性 ,  多層 ,  *視覚 ,  *畳込み
準シソーラス用語： マルチスケール ,  外見モデル ,  乱雑性 ,  *相関フィルタ ,  *畳込みニューラルネットワーク ,  *物体追跡 , 【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 (8件)： ロバスト ,  視覚 ,  物体追跡 ,  畳込みニューラルネットワーク ,  スケール ,  適応 ,  カーネル化 ,  相関フィルタ