Kim、Hyuncheol；Joonki Paik 基于低秩表示的联合稀疏多任务特征学习目标跟踪。 （英语） Zbl 1470.68226号 文章摘要。申请。分析。 2014年，文章ID 147353，12 p.（2014）。 摘要：我们将目标跟踪问题作为一个多任务特征学习过程来处理，该过程基于具有联合稀疏性的特征的低阶表示。我们首先在若干初始帧中选择具有低秩表示的特征来获得子空间基。接下来，使用改进的基于联合稀疏性的多任务特征学习框架来学习由低秩和稀疏特性表示的特征。然后，使用新的增量交替方向方法来优化更新特征和稀疏误差。学习多任务特征的低阶最小化问题可以通过几个有效的闭合形式更新过程来实现。由于该方法试图以多任务和低阶的方式实现特征学习问题，因此它不仅可以降低维数，而且可以在不产生漂移的情况下提高跟踪性能。实验结果表明，该方法的跟踪性能优于现有的最新跟踪方法具有挑战性的图像序列中的对象。 MSC公司： 68T45型 机器视觉和场景理解 68T05型 人工智能中的学习和自适应系统 软件：PASCAL挥发性有机化合物 PDF格式BibTeX公司 XML格式引用 \textit｛H.Kim｝和\textit｛J.Paik｝，文章摘要。申请。分析。2014年，文章ID 147353，12 p.（2014；Zbl 1470.68226） 全文： 内政部 参考文献： [1] 王，S。；Lu，H.等人。；杨，F。；Yang，M.-H.，超像素跟踪，IEEE计算机视觉国际会议论文集（ICCV’11），IEEE·doi:10.1109/ICCV.2011.6126385 [2] 贾，X。；Lu，H.等人。；Yang，M.-H.，通过自适应结构局部稀疏外观模型进行视觉跟踪，IEEE计算机视觉和模式识别会议论文集（CVPR’12）·doi:10.1109/CVPR.2012.6247880 [3] 科马尼丘，D。；拉梅什，V。；Meer，P.，基于内核的对象跟踪，IEEE模式分析和机器智能汇刊，25，5，564-577（2003）·doi:10.1109/TPAMI.2003.1195991 [4] 罗斯，D.A。；Lim，J。；林，R.-S。；Yang，M.-H.，鲁棒视觉跟踪的增量学习，国际计算机视觉杂志，77，1-3125-141（2008）·doi:10.1007/s11263-007-0075-7 [5] A.亚当。；Rivlin，E。；Shimshoni，I.，使用积分直方图进行基于碎片的鲁棒跟踪，IEEE计算机视觉和模式识别会议论文集（CVPR'06）·doi:10.1109/CVPR.2006.256 [6] 胡，W。；李，X。；张，X。；施，X。；马来亚银行。；Zhang，Z.，增量张量子空间学习及其在前景分割和跟踪中的应用，国际计算机视觉杂志，91，3，303-327（2011）·Zbl 1235.68269号 ·doi:10.1007/s11263-010-0399-6 [7] 格拉布纳，H。；Leistner，C。；Bischof，H.，用于鲁棒跟踪的半监督在线增强，计算机视觉-ECCV，234-247（2008），Springer [8] Avidan，S.，支持向量跟踪，IEEE模式分析和机器智能汇刊，26，8，1064-1072（2004）·doi:10.1109/TPAMI.2004.53 [9] 梅，X。；Ling，H.，通过稀疏表示实现鲁棒视觉跟踪和车辆分类，IEEE模式分析和机器智能汇刊，33，11，2259-2272（2011）·doi:10.1109/TPAMI.2011.66 [10] 梅，X。；凌，H。；Wu，Y。；布拉什，E。；Bai，L.，最小误差有界有效\(ℓ带遮挡检测的跟踪器，IEEE计算机视觉和模式识别会议论文集（CVPR’11）·doi:10.1109/CVPR.2111.5995421 [11] 刘，B。；Yang，L。；黄，J。；米尔，P。；龚，L。；Kulikowski，C.，《具有两阶段稀疏优化的稳健快速协同跟踪》，第11届欧洲计算机视觉会议论文集（ECCV’10），Springer [12] 刘，B。；黄，J。；库利科夫斯基，C。；Yang，L.，使用局部稀疏外观模型和k选择的鲁棒视觉跟踪，IEEE模式分析和机器智能汇刊，35，129968-2981（2013）·doi:10.1109/TPAMI.2012.215 [13] Kim，H。；Paik，J.，《使用压缩局部外观模型和l1-规则化进行目标跟踪》，《电子快报》，50，6，444-446（2014）·doi:10.1049/el.2013.2763 [14] 鲍，C。；Wu，Y。；凌，H。；Ji，H.，使用加速近端梯度方法的实时鲁棒L1跟踪器，IEEE计算机视觉和模式识别会议论文集（CVPR’12），IEEE·doi:10.1109/CVPR.2012.6247881 [15] 张，T。；加尼姆，B。；刘，S。；Ahuja，N.，《通过结构化多任务稀疏学习实现鲁棒视觉跟踪》，《国际计算机视觉杂志》，第101、2、367-383页（2013年）·doi:10.1007/s11263-012-0582-z [16] Bai，Y。；Tang，M.，通过鲁棒多任务稀疏表示的对象跟踪，IEEE信号处理快报，21，8909-913（2014）·doi:10.1109/LSP.2014.23291 [17] 张，T。；加尼姆，B。；刘，S。；Ahuja，N.，《稳健视觉跟踪的低秩稀疏学习》，《计算机视觉-ECCV 2012》，第470-484页（2012），施普林格出版社 [18] 张，C。；刘，R。；邱，T。；Su，Z.，通过增量低阶特征学习实现鲁棒视觉跟踪，神经计算，131，237-247（2014）·doi:10.1016/j.neucom.2013.10.020 [19] 张，T。；刘，S。；北阿胡贾。；杨，M.-H。；Ghanem，B.，《通过一致低阶稀疏学习实现鲁棒视觉跟踪》，《国际计算机视觉杂志》，1-20（2014）·Zbl 1398.68605号 ·doi:10.1007/s11263-014-0738-0 [20] 坎迪斯，E.J。；李，X。；马云（Ma，Y.）。；Wright，J.，鲁棒主成分分析？，ACM期刊，58，3，第11条（2011年）·Zbl 1327.62369号 ·数字对象标识代码：10.1145/1970392.1970395 [21] 王，D。；Lu，H.等人。；Yang，M.-H.，稀疏原型在线目标跟踪，IEEE图像处理汇刊，22，1，314-325（2013）·Zbl 1373.94423号 ·doi:10.1109/TIP.2012.2202677 [22] Argyriou，A。；Evgeniou，T。；Pontil，M.，多任务特征学习，神经信息处理系统进展，19，41-48（2007），麻省理工学院出版社 [23] Argyriou，A。；Evgeniou，T。；Pontil，M.，Convex多任务特征学习，机器学习，73，3，243-272（2008）·Zbl 1470.68073号 ·doi:10.1007/s10994-007-5040-8 [24] 林，Z。；陈，M。；Ma，Y.，精确恢复受损低秩矩阵的增广拉格朗日乘子方法 [25] Xu，Y。；尹，W。；Wen，Z。；张毅，非负因子矩阵补全的交替方向算法，中国数学前沿，7，2，365-384（2012）·Zbl 1323.65044号 ·doi:10.1007/s11464-012-0194-5 [26] 林，Z。；刘，R。；Su，Z.，低阶表示的自适应惩罚线性化交替方向方法，神经信息处理系统进展，612-620（2011） [27] 蔡J.-F。；坎迪斯，E.J。；Shen，Z.，矩阵补全的奇异值阈值算法，SIAM优化期刊，20，41956-1982（2010）·Zbl 1201.90155号 ·doi:10.1137/080738970 [28] Bredies，K。；Lorenz，D.A.，迭代软阈值的线性收敛，傅里叶分析与应用杂志，14，5-6，813-837（2008）·Zbl 1175.65061号 ·doi:10.1007/s00041-008-9041-1 [29] Wang，T。；顾义华。；Shi，P.，使用增量2D-PCA学习和ML估计的对象跟踪，IEEE声学、语音和信号处理国际会议论文集（ICASSP'07）·doi:10.1109/ICASSP.2007.366062 [30] Everingham，M。；van Gool，L。；威廉姆斯，C.K.I。；温，J。；Zisserman，A.，《pascal可视对象类（VOC）挑战》，《国际计算机视觉杂志》，88，2，303-338（2010）·doi:10.1007/s11263-009-0275-4 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。