文献

J-GLOBAL ID：202002255921475760   整理番号：20A0265800

強化学習を用いた視覚追跡のための相関フィルタ選択【JST・京大機械翻訳】

Correlation Filter Selection for Visual Tracking Using Reinforcement Learning

著者 (5件)： Xie Yanchun (Department of Electrical and Electronic Engineering, Xi’an Jiaotong-Liverpool University, Suzhou, China) ,  Xiao Jimin (Department of Electrical and Electronic Engineering, Xi’an Jiaotong-Liverpool University, Suzhou, China) ,  Huang Kaizhu (Department of Electrical and Electronic Engineering, Xi’an Jiaotong-Liverpool University, Suzhou, China) ,  Thiyagalingam Jeyarajan (Rutherford Appleton Laboratory, Science and Technologies Facilities Council, Didcot, U.K.) ,  Zhao Yao (Institute of Information Science, Beijing Jiaotong University, Beijing, China)
資料名： IEEE Transactions on Circuits and Systems for Video Technology  (IEEE Transactions on Circuits and Systems for Video Technology)
巻： 30  号： 1  ページ： 192-204  発行年： 2020年 
JST資料番号： W0321A  ISSN： 1051-8215  CODEN： ITCTEM  資料種別： 逐次刊行物 (A)
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： 相関フィルタは,特にトラッキング精度と速度の間の良好なバランスを求めるために,視覚トラッキングにおける多くのアプローチに対する有効なツールであることが証明されている。しかし,相関フィルタベースのモデルは不正確な追跡結果から生じる間違った更新に敏感である。今日まで,相関フィルタ更新問題を扱うための努力はほとんどなされていない。本論文では,相関フィルタ更新問題に対処するための新しいアプローチを提案した。この手法では,並列に複数の相関フィルタモデルを更新し,維持し,それらの間の最適相関フィルタモデルの選択のために,深い強化学習を使用する。効率的な方法で意思決定プロセスを容易にするために,著者らは,目標外観モデリングを扱う意思決定ネットを提案する。それは,近位の政策最適化と軽量学習ネットワークを用いて数百の挑戦的なビデオを通して訓練される。OTB100とOTB2013ベンチマークに関する提案方法の徹底的評価は,この方式が62.3%の平均成功率と81.2%の平均精度スコアを達成するために十分有効であることを示して,両方とも従来の相関フィルタベースの追跡装置の性能を上回った。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 録画装置 ,  取替問題 ,  *学習 ,  モデリング ,  ベンチマーク ,  *視覚 ,  ネットワーク ,  意思決定 ,  トラッキング装置 ,  最適化 ,  *強化学習
準シソーラス用語： 成功率 ,  軽量 ,  *相関フィルタ ,  *ビジュアルトラッキング , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 強化学習 ,  視覚追跡 ,  相関フィルタ