تعلم مرشحات الارتباط المكانية-الزمانية المنظمة لتعقب الصور البصرية
المرشحات ذات الارتباط التمييزي (DCF) فعّالة في تتبع الصور المرئية ولكنها تعاني من آثار حدود غير مرغوب فيها. تم اقتراح المرشحات ذات الارتباط التمييزي المراقبةatially (SRDCF) لحل هذه المشكلة من خلال فرض عقوبات مكانيّة على معاملات DCF، مما يحسن حتماً أداء التتبع على حساب زيادة التعقيد. للتعامل مع التحديث عبر الإنترنت، تقوم SRDCF بصياغة نموذجها على صور تدريب متعددة، مما يضيف صعوبات إضافية في تحسين الكفاءة. في هذا العمل، من خلال إدخال التنظيم الزمني إلى SRDCF مع عينة واحدة، نقدم مرشحات الارتباط المكانية-الزمنية المنظمة (STRCF). مستوحى من خوارزمية Passive-Aggressive عبر الإنترنت، قمنا بدمج التنظيم الزمني في SRDCF مع عينة واحدة، مما أدى إلى ظهور مرشحات الارتباط المكانية-الزمنية المنظمة (STRCF). يمكن لصياغة STRCF أن تكون تقريباً معقولاً لنموذج SRDCF مع صور تدريب متعددة، بالإضافة إلى أنها توفر نموذجاً أكثر ثباتًا للشكل الخارجي مقارنة بـ SRDCF في حالة التغيرات الكبيرة في الشكل الخارجي. بالإضافة إلى ذلك، يمكن حلها بكفاءة باستخدام طريقة مضاعفات الاتجاه البديل (ADMM). من خلال دمج التنظيم المكاني والزمني، يمكن لـ STRCF التعامل مع آثار الحدود دون فقدان كبير في الكفاءة وتحقيق أداء أفضل من SRDCF فيما يتعلق بالدقة والسرعة. تم إجراء التجارب على ثلاثة مجموعات بيانات مرجعية: OTB-2015 وTemple-Color وVOT-2016. مقارنة بـ SRDCF، توفر STRCF مع الخصائص المصممة يدويًا سرعة أكبر بمقدار خمس مرات وتحقق زيادة بنسبة 5.4% و3.6% في درجة AUC على OTB-2015 وTemple-Color على التوالي. علاوة على ذلك، فإن STRCF بالاشتراك مع خصائص CNN تؤدي بشكل جيد مقابل أفضل متعقبات قائمة على CNN وأحرزت درجة AUC قدرها 68.3% على OTB-2015.请注意，上文中 "merging" 被翻译为 "دمج"，而 "spatially" 在首次出现时被翻译为 "المراقبةatially" 是一个笔误，正确的翻译应该是 "المكانيّة". 这里提供修正后的版本：المرشحات ذات الارتباط التمييزي (DCF) فعّالة في تتبع الصور المرئية ولكنها تعاني من آثار حدود غير مرغوب فيها. تم اقتراح المرشحات ذات الارتباط التمييزي المكانيّة المنظمة (SRDCF) لحل هذه المشكلة من خلال فرض عقوبات مكانيّة على معاملات DCF، مما يحسن حتماً أداء التتبع على حساب زيادة التعقيد. للتعامل مع التحديث عبر الإنترنت، تقوم SRDCF بصياغة نموذجها على صور تدريب متعددة، مما يضيف صعوبات إضافية في تحسين الكفاءة. في هذا العمل، من خلال إدخال التنظيم الزمني إلى SRDCF مع عينة واحدة، نقدم مرشحات الارتباط المكانية-الزمنية المنظمة (STRCF). مستوحى من خوارزمية Passive-Aggressive عبر الإنترنت، قمنا بدمج التنظيم الزمني في SRDCF مع عينة واحدة، مما أدى إلى ظهور مرشحات الارتباط المكانية-الزمنية المنظمة (STRCF). يمكن لصياغة STRCF أن تكون تقريباً معقولاً لنموذج SRDCF مع صور تدريب متعددة، بالإضافة إلى أنها توفر نموذجاً أكثر ثباتًا للشكل الخارجي مقارنة بـ SRDCF في حالة التغيرات الكبيرة في الشكل الخارجي. بالإضافة إلى ذلك، يمكن حلها بكفاءة باستخدام طريقة مضاعفات الاتجاه البديل (ADMM). من خلال دمج التنظيم المكاني والزمني، يمكن لـ STRCF التعامل مع آثار الحدود دون فقدان كبير في الكفاءة وتحقيق أداء أفضل من SRDCF فيما يتعلق بالدقة والسرعة. تم إجراء التجارب على ثلاثة مجموعات بيانات مرجعية: OTB-2015 وTemple-Color وVOT-2016. مقارنة بـ SRDCF، توفر STRCF مع الخصائص المصممة يدويًا سرعة أكبر بمقدار خمس مرات وتحقق زيادة بنسبة 5.4% و3.6% في درجة AUC على OTB-2015 وTemple-Color على التوالي. علاوة على ذلك，STRCF بالاشتراك مع خصائص CNN تؤدي بشكل جيد مقابل أفضل متعقبات قائمة على CNN وأحرزت درجة AUC قدرها 68.3% على OTB-2015.希望这个版本能更好地满足您的需求。