作者:
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:
本文的算法将深度学习模型结合传统的稀疏表示,不仅仅能够提取目标高级语义信息,将目标判别性特征用于跟踪,而且将最具辨别力的目标表观特征用于跟踪算法中,保障了跟踪算法的鲁棒性.
推荐文章
基于稀疏卷积神经网络的考生识别算法
考生识别
卷积神经网络
人脸识别
身份验证
多通道输入
方法比
基于深度特征的稀疏表示目标跟踪算法
目标跟踪
稀疏表示
卷积神经网络
生成模型
深度学习
结合高斯核函数的卷积 神经网络跟踪算法
视觉跟踪
卷积神经网络
高斯核函数
粒子滤波
稀疏卷积神经网络加速器设计
稀疏卷积神经网络
阵列运算
加速器
高能效比
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 基于全卷积神经网络和稀疏表示的跟踪算法
来源期刊 科学技术创新 学科
关键词 深度学习 稀疏表示 跟踪算法
年,卷(期) 2021,(13) 所属期刊栏目 创新创业论坛
研究方向 页码范围 131-132
页数 2页 分类号 TP391.4
字数 语种 中文
DOI 10.3969/j.issn.1673-1328.2021.13.058
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (3)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
2015(1)
  • 参考文献(1)
  • 二级参考文献(0)
2016(2)
  • 参考文献(2)
  • 二级参考文献(0)
2021(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)
研究主题发展历程
节点文献
深度学习
稀疏表示
跟踪算法
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
科学技术创新
旬刊
2096-4390
23-1600/N
16开
黑龙江省哈尔滨市
14-269
1997
chi
出版文献量(篇)
126927
总下载数(次)
266
总被引数(次)
285821
  • 期刊分类
  • 期刊(年)
  • 期刊(期)
  • 期刊推荐
论文1v1指导