文献

J-GLOBAL ID：201902257799375923   整理番号：19A2159307

RGB-Tオブジェクトトラッキング:ベンチマークとベースライン【JST・京大機械翻訳】

RGB-T object tracking: Benchmark and baseline

著者 (6件)： Li Chenglong (School of Computer Science and Technology, Anhui University, Hefei 230601, China) ,  Li Chenglong (Institute of Physical Science and Information Technology, Anhui University, Hefei 230601, China) ,  Liang Xinyan (School of Computer Science and Technology, Anhui University, Hefei 230601, China) ,  Lu Yijuan (Texas State University, San Marcos, USA) ,  Zhao Nan (School of Computer Science and Technology, Anhui University, Hefei 230601, China) ,  Tang Jin (School of Computer Science and Technology, Anhui University, Hefei 230601, China)
資料名： Pattern Recognition  (Pattern Recognition)
巻： 96  ページ： Null  発行年： 2019年 
JST資料番号： D0611A  ISSN： 0031-3203  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： RGB-熱(RGB-T)オブジェクトトラッキングは,可視データに対する熱情報の強い相補的利点により,ますます多くの注目を集めている。しかしながら,RGB-T研究は包括的評価プラットフォームを欠くことによって制限される。本論文では,RGB-Tトラッキングのための大規模ビデオベンチマークデータセットを提案した。それには,既存のものより3つの主要な利点がある。1)Itsサイズは,大規模な性能評価(フレームの総数:234K,シーケンス当たりのフレーム数:8K)に対して十分に大きい。2)RGB-T配列対間のアラインメントは非常に正確であり,前処理または後処理を必要としない。3)オクルージョンレベルは,異なる追跡アルゴリズムのオクルージョンに敏感な性能分析のために注釈される。さらに,RGB-Tトラッキングのためのロバストなオブジェクト表現を学習するための新しいグラフベースアプローチを提案した。特に,追跡されたオブジェクトは,ノードとして画像パッチを持つグラフで表現される。ノードの初期重みを与えて,グラフ構造,ノード重みおよびエッジ重みを含むこのグラフを,統一最適化フレームワークにおいて動的に学習した。大規模データセットに関する広範な実験を実行して,他の最新の追跡法に対する提案トラッカーの有効性を実証した。また,RGB-Tオブジェクトトラッキングの分野に対する新しい洞察と潜在的研究方向を提供した。Copyright 2019 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習 ,  前処理 ,  アラインメント ,  オクルージョン ,  有効性 ,  性能評価 ,  画像 ,  ロバスト性 ,  性能分析 ,  最適化 ,  *ベンチマーク ,  *基準線
準シソーラス用語： 大規模データセット ,  追跡アルゴリズム ,  *物体追跡 , 【Automatic Indexing@JST】

著者キーワード (5件)： 視覚追跡 ,  ベンチマークデータセット ,  スパース学習 ,  グラフ表現 ,  情報融合

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： RGB ,  オブジェクトトラッキング ,  ベンチマーク ,  ベースライン