عنوان: Staple: متعلمون مكملون للتتبع في الوقت الحقيقي ملخص: يقدم هذا البحث نظامًا جديدًا للتعلم المكمل (Staple) يستخدم في تتبع الأهداف في الوقت الحقيقي. يعتمد النظام على دمج نماذج التعلم الآلي المختلفة لتحسين الدقة والاستقرار في التطبيقات التي تتطلب استجابة سريعة ودقيقة. يتم توضيح فعالية النهج المقترح من خلال سلسلة من التجارب على مجموعة متنوعة من مقاطع الفيديو، مما يظهر قدرته على التعامل مع التحديات مثل التغيرات في الحجم والشكل والتظليل.
حققت متابِّعات المرشحات ذات الارتباط (Correlation Filter-based trackers) أداءً ممتازًا مؤخرًا، حيث أظهرت قدرة كبيرة على مقاومة الحالات الصعبة التي تتضمن تشويه الحركة وتغير الإضاءة. ومع ذلك، نظرًا لأن النموذج الذي يتعلمونه يعتمد بشكل كبير على التخطيط المكاني للموضوع المتعقب، فإنها تتميز بحساسية شديدة للتشوه. أما النماذج القائمة على إحصاءات اللون فلديها صفات مكملة: فهي تتعامل بشكل جيد مع التغيرات في الشكل، ولكنها تعاني عندما لا تكون الإضاءة ثابتة طوال سلسلة الفيديو. بالإضافة إلى ذلك، يمكن أن تكون توزيعات الألوان وحدها غير كافية للتفرقة. في هذا البحث، نوضح أن متعقبًا بسيطًا يجمع بين المؤشرات المكملة في إطار الانحدار الجبلي (ridge regression) يمكنه العمل بمعدل أسرع من 80 إطارًا في الثانية (FPS)، وتفوق ليس فقط جميع المشاركات في المسابقة الشهيرة VOT14، بل أيضًا المتعقبات الحديثة والأكثر تعقيدًا وفقًا لعدة مقاييس مرجعية.