Year: 1402
COI: JR_JIPET-14-54_008
Language: PersianView: 41
This Paper With 15 Page And PDF Format Ready To Download
با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 15 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:
Authors
Abstract:
الگوریتم ردیابی یادگیری تشخیص (TLD) سنتی، نسبت به چالشهایی همچون تغییرات روشنایی، کلاترها و نرخ قاب پایین بسیار حساس بوده و باعث خطا در ردیابی هدف میگردد. در راستای غلبه بر این مشکلات و بهبود مقاومت الگوریتم، معماری الگوریتم ردیابی یادگیری تشخیص با ترکیب الگوریتم انتقال متوسط و الگوریتم یادگیری نیمه نظارتی همیادگیری، بهبود داده شده است. این ساختار در شرایط نرخ قاب پایین نتایج بهتری را نتیجه میدهد و مقاومت و دقت الگوریتم را نسبت به الگوریتم سنتی ردیابی یادگیری تشخیص افزایش میدهد. زیرا الگوریتم ردیابی انتقال متوسط نسبت به چرخش، موانع جزئی، تغییرات اندازه مقاوم بوده و به سادگی اجرا شده و به محاسبات کمی نیاز دارد. از طرف دیگر الگوریتم یادگیری نیمهنظارتی همیادگیری با دو طبقه بند مستقل میتواند تغییرات ویژگیهای هدف را به خوبی آموزش ببیند. بنابراین، ساختار توسعه داده شده میتواند مشکل گم کردن هدف را در شرایط وجود همزمان نرخ قاب پایین و چالشهای دیگر حل نماید. نهایتا، ارزیابی مقایسهای روش پیشنهادی با الگوریتمهای معروف ردیابی بر روی سناریوهای مختلف از پایگاه داده مشهور TB-۱۰۰، حاکی از عملکرد برتر روش پیشنهادی در مقایسه با سایر روشها از لحاظ مقاومت و پایداری است. نهایتا ساختار پیشنهادی بر اساس معماری ردیابی یادگیری تشخیص در ویدیوهایی با چالشهای مختلف ذکر شده بهطور متوسط حدود ۳۳ درصد نتایج را نسبت به الگوریتم سنتی ردیابی یادگیری تشخیص بهبود خواهد بخشید.
Keywords:
ردیابی هدف , الگوریتم انتقال متوسط , الگوریتم ردیابی یادگیری تشخیص , الگوریتم یادگیری ماشین , نرخ قاب پایین
Paper COI Code
This Paper COI Code is JR_JIPET-14-54_008. Also You can use the following address to link to this article. This link is permanent and is used as an article registration confirmation in the Civilica reference:https://civilica.com/doc/1444532/
How to Cite to This Paper:
If you want to refer to this Paper in your research work, you can simply use the following phrase in the resources section:مریدویسی، هومن و رزازی، فربد و پورمینا، محمدعلی و دوستی، مسعود،1402،الگوریتم ردیابی یادگیری تشخیص بهبود داده شده جهت نرخ قاب پایین،https://civilica.com/doc/1444532
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :- G. Lee, R. Mallipeddi, M. Lee, “Trajectory-based vehicle tracking at ...
- L. Liu, J. Cao, “End-to-end learning interpolation for object tracking ...
- X. Zhang, W. Hu, N. Xie, H. Bao, S. Maybank, ...
- W. Zhong, H. Lu, M.H. Yang, "Robust object tracking via ...
- Y. Wu, B. Shen, H. Ling, "Online robust image alignment ...
- L. Sevilla-Lara, E. Learned-Miller, "Distribution fields for tracking", Proceeding of the ...
- C. Bao, Y. Wu, H. Ling, H. Ji,"Real time robust ...
- S. Oron, A. Bar-Hillel, D. Levi, S. Avidan, "Locally orderless ...
- J.F. Henriques, R. Caseiro, P. Martins, J. Batista, "Exploiting the ...
- J.F. Henriques, R. Caseiro, P. Martins, J. Batista, “High-speed tracking ...
- X. Lu, C. Ma, B. Ni, X. Yang, “Adaptive region ...
- F. Porikli, O. Tuzel, “Object tracking in low-frame-rate video”, Proceeding ...
- Y. Li, H. Ai, T. Yamashita, S. Lao, M. Kawade,“Tracking ...
- Z. Li, J. Chen, N.N. Schraudolph, “An improved meanshift tracker ...
- T. Zhang, S.. Fei, H. Lu, X. Li,”Modified particle filter ...
- M. Godec, P.M. Roth, H. Bischof, “Hough-based tracking of non-rigid ...
- H.S. Boroujeni, N.M. Charkari, M. Behrouzifar, “Tracking multiple variable-sizes moving ...
- K. Palaniappan۱, F. Bunyak, P. Kumar, I. Ersoy,S. Jaeger, K. ...
- Y. Pang, D. Shenb, G. Chen, P. Liang, K. Pham, ...
- G. Lee, R. Mallipeddi, M. Lee, “Trajectory-based vehicle tracking at ...
- W. Dai, T. Chang, K. Su, Q. Wang, "Improved TLD ...
- T. Xu, C. Huang, Q. He, G. Guan, Y. Zhang, ...
- L. Yu, T. Zheng, Q. Shi, "Image tracking algorithm improvement ...
- T. Li, W. J. Zhao, S. Yang, C. Li, "An ...
- L. Zhao, Y. Chen, Q. Ye, "An improved TLD algorithm ...
- J. Hu, M. Cai, J. Li, "An improved TLD method ...
- Z. Song, Z. Cong, Z. Yanan, D. Yuren, "An improved ...
- J. Zhang, A. Wang, M. Wang, Y. Iwahori, "A novel ...
- E. Dong, M. Deng, J. Tong, C. Jia, S. Du, ...
- Y. Zhu, C. Wang, Y. Niu, L. Wu, “hTLD: A ...
- X. Yang, S. Zhu, S. Xia, D. Zhou, “A new ...
- H. Moridvaisi, F. Razzazi, M.A. Pourmina, M. Dousti, “An extended ...
- J. Wang, M. Zhao, L. Zou, Y. Hu, X. Cheng, ...
- X. Zhen, S. Fei, Y. Wang, W. Du, “A visual ...
- L. Zhang, J. Hou, M. Chen, H. Li, “The improved ...
- ۳۶] Q. Ding, Z. Ding, “Machine learning model for feature ...
- Z. Kalal, K. Mikolajczyk, J. Matas, “Tracking-learning-detection”, IEEE Trans. on ...
- K. Nummiaro, E. Koller-Meier, L.J.V. Gool, “An adaptive color-based particle ...
Research Info Management
اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.
Scientometrics
The specifications of the publisher center of this Paper are as follows:
Type of center: Azad University
Paper count: 37,428
In the scientometrics section of CIVILICA, you can see the scientific ranking of the Iranian academic and research centers based on the statistics of indexed articles.
Share this page
More information about COI
COI stands for "CIVILICA Object Identifier". COI is the unique code assigned to articles of Iranian conferences and journals when indexing on the CIVILICA citation database.
The COI is the national code of documents indexed in CIVILICA and is a unique and permanent code. it can always be cited and tracked and assumed as registration confirmation ID.