SiaMemory
ترجمه نشده

SiaMemory

عنوان فارسی مقاله: SiaMemory: ردیابی هدف
عنوان انگلیسی مقاله: SiaMemory: Target Tracking
مجله/کنفرانس: علوم کامپیوتر پروسیدیا-Procedia Computer Science
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: هوش مصنوعی
کلمات کلیدی فارسی: ردیابی هدف، یادگیری عمیق، شبکه های Siamese، شبکه عصبی پیچشی برگشتی
کلمات کلیدی انگلیسی: object tracking; deep learning, Siamese networks, recurrent convolutional neural network
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.procs.2019.06.022
دانشگاه: Department of Computer Science and Engineering, NWPU University, Xi’an, China
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 1.257 در سال 2018
شاخص H_index: 47 در سال 2019
شاخص SJR: 0.281 در سال 2018
شناسه ISSN: 1877-0509
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 8
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E12288
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


1-Introduction


2-Elated Work


3-Method


4-Experimental Results


5-Conclusion


6-Acknowledgements


References

نمونه متن انگلیسی مقاله

Abstract


This paper proposes, develops and evaluates a novel object-tracking algorithm that outperforms start-of-the-art method in terms of its robustness. The proposed method compromises Siamese networks, Recurrent Convolutional Neural Networks (RCNNs) and Long Short Term Memory (LSTM) and performs short-term target tracking in real-time. As Siamese networks only generates the current frame tracking target based on the previous frame of image information, it is less effective in handling target’s appearance and disappearance, rapid movement, or deformation. Hence, our method a novel tracking method that integrates improved full-convolutional Siamese networks based on all-CNN, RCNN and LSTM. In order to improve the training efficiency of the deep learning network, a strategy of segmented training based on transfer learning is proposed. For some test video sequences that background clutters, deformation, motion blur, fast motion and out of view, our method achieves the best tracking performance. Using 41 videos from the Object Tracking Benchmark (OTB) dataset and considering the area under the curve for the precision and success rate, our method outperforms the second best by 18.5% and 14.9% respectively.


Introduction


In computer vision, because partial occlusions, target deformations, motion blur, background clutters, and object deformation, scale changes and illumination variations, visual tracking is a challenging task [1]. Some researchers improve the robustness of their tracking algorithm by applying machine learning [2], such as TLD (TrackingLearning-Detection) [3] and KCF (kernelized correlation filters) [4]. Because CNNs (convolutional neural networks) have strong capabilities of learning feature representations, other researchers to apply CNNs to address challenges faced by tracking using traditional machine learning[5]. However, approaches that are solely based on CNNs have the following problems: because of no effective use of temporal continuity, these algorithms cannot well handle obstructed target scenarios; these algorithms that are based on deep-learning models in general have a huge number of parameters, to train such a huge model, i.e. lots of data is required, however, In contrast, in the case of target tracking, much fever training samples are available, hence render performance.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

SiaMemory
نوشته های مرتبط
مقالات جدید
نماد اعتماد الکترونیکی
پیوندها