Object tracking with adaptive motion modeling of particle filter and support vector machines
Notice bibliographique
Résumé
In this paper, we propose an approach for tracking arbitrary objects based on dynamic motion model and support vector machines (SVMs). When the motion of target is large or abrupt, modeling target motion is crucial for robust object tracking, however, recent advanced trackers ignore this component. In our proposed approach, we represent target motion as a random stochastic process. We use Kernelized Harmonic Means to predict the next state of target motion using few prior state vectors, and then utilize Particle filter to further optimize the predicted state. Because SVMs possess good generalization ability, while being robust against noise, we adopt online ker-nelized SVMs to the tracking problem. Our approach learns the appearance of the target during tracking, and thus the proposed method is able to adapt online to target appearance changes and its surrounding background. In addition, we incorporate our motion model within the online kernelized SVMs framework as an energy map to assign higher energy for the support vectors that are closer to the location predicted by the proposed motion model. This allows reliably maintaining smooth trajectories without unnatural jittering artifacts, which is important for long-term object tracking in the presence of occlusion and noise. Taking the dynamic model into account also improves the computational efficiency as it reduces the dense search space required for localizing the target candidate. Experimentally, we demonstrate that the proposed method outperforms state-of-the-art trackers on particularly challenging standard datasets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».