基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
近年来,虽然基于卷积神经网络特征的目标跟踪方法取得了巨大进展,但也存在卷积特征维度高而导致的特征冗余和噪声等问题,以及不同层的卷积特征在表达目标表观特征方面的能力不同问题.为了克服上述问题,提出利用卷积特征图之间的距离自适应地选取卷积特征中心来进行目标跟踪的方法.首先通过特征图之间的距离矩阵和信息传播理论迭代产生特征中心,压缩特征维度,降低跟踪模型训练的计算量;其次综合利用多层卷积特征训练多个跟踪器联合确定目标状态,并根据跟踪器的实时误差在线更新跟踪器的权重,滤除卷积特征之间的信息冗余和噪声,提升卷积特征的鲁棒性和目标判别能力.实验结果表明,该方法在跟踪成功率和准确率方面都达到了领先水平,且在保证算法跟踪性能的同时有效地降低了卷积特征维度.
推荐文章
基于卷积神经网络多层特征融合的目标跟踪
目标跟踪
特征融合
特征表达
目标定位
卷积神经网络
回归模型
利用自适应假近邻方法优化卷积神经网络的图像目标分类算法
卷积神经网络
假近邻
目标分类
矩池化
稀疏滤波
基于自适应特征卷积网络的行人检测方法
行人检测
卷积神经网络
浅层细节特征
自适应特征
基于自适应分块的视频目标跟踪方法研究
目标跟踪
颜色直方图
自适应分块
Kalman滤波
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于自适应卷积神经网络特征选择的视频目标跟踪方法
来源期刊 计算机辅助设计与图形学学报 学科 工学
关键词 目标跟踪 卷积神经网络 特征选择 相关滤波 聚类
年,卷(期) 2018,(2) 所属期刊栏目 图像与视觉
研究方向 页码范围 273-281
页数 9页 分类号 TP391.41
字数 8137字 语种 中文
DOI 10.3724/SP.J.1089.2018.16268
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 陈胜勇 浙江工业大学计算机科学与技术学院 38 254 8.0 14.0
5 李军伟 浙江工业大学计算机科学与技术学院 3 20 2.0 3.0
6 周小龙 浙江工业大学计算机科学与技术学院 7 11 2.0 3.0
7 产思贤 浙江工业大学计算机科学与技术学院 2 8 1.0 2.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (5)
共引文献  (4)
参考文献  (10)
节点文献
引证文献  (8)
同被引文献  (10)
二级引证文献  (7)
2007(1)
  • 参考文献(1)
  • 二级参考文献(0)
2010(1)
  • 参考文献(0)
  • 二级参考文献(1)
2011(2)
  • 参考文献(1)
  • 二级参考文献(1)
2012(2)
  • 参考文献(1)
  • 二级参考文献(1)
2013(3)
  • 参考文献(1)
  • 二级参考文献(2)
2015(2)
  • 参考文献(2)
  • 二级参考文献(0)
2016(3)
  • 参考文献(3)
  • 二级参考文献(0)
2017(1)
  • 参考文献(1)
  • 二级参考文献(0)
2018(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2019(9)
  • 引证文献(6)
  • 二级引证文献(3)
2020(6)
  • 引证文献(2)
  • 二级引证文献(4)
研究主题发展历程
节点文献
目标跟踪
卷积神经网络
特征选择
相关滤波
聚类
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机辅助设计与图形学学报
月刊
1003-9775
11-2925/TP
大16开
北京2704信箱
82-456
1989
chi
出版文献量(篇)
6095
总下载数(次)
15
相关基金
国家自然科学基金
英文译名:the National Natural Science Foundation of China
官方网址:http://www.nsfc.gov.cn/
项目类型:青年科学基金项目(面上项目)
学科类型:数理科学
浙江省自然科学基金
英文译名:
官方网址:http://www.zjnsf.net/
项目类型:一般项目
学科类型:
  • 期刊分类
  • 期刊(年)
  • 期刊(期)
  • 期刊推荐
论文1v1指导