اختيار الميزات الجماعية وتعلم المرشحات التمييزية لتعقب الكائنات البصرية بثبات

نقترح طريقة جديدة لاختيار الميزات الجماعية في مرشحات الارتباط التمييزية (GFS-DCF) لتعقب الأشياء المرئية. الابتكار الرئيسي للطريقة المقترحة يتمثل في أداء اختيار الميزات الجماعية عبر البُعدَين القنواتي والمكاني، مما يتيح تحديد الصلة الهيكلية للميزات متعددة القنوات مع نظام التصفية. على عكس طرق التنظيم المكاني واختيار الميزات الشائعة الاستخدام، وفي حدود علمنا، هذه هي المرة الأولى التي يتم فيها الدعوة إلى اختيار القنوات في تعقب يستند إلى DCF. نوضح أن طريقة GFS-DCF الخاصة بنا قادرة على تحسين أداء متعقب DCF مجهز بميزات الشبكات العصبية العميقة بشكل كبير. بالإضافة إلى ذلك، تمكن طريقة GFS-DCF الخاصة بنا من اختيار الميزات وتعلم المرشحات بطريقة مشتركة، مما يحقق تمييزًا وقابلية فهم أفضل للمرشحات المستفادة.لتحسين الأداء بشكل أكبر، ندمج المعلومات التاريخية بشكل تكيفي عن طريق فرض قيود على المرشحات لتكون سلسة عبر الإطارات الزمنية، باستخدام تقريب رتبة منخفضة كفاءة. بالتصميم، يتم تعلم التكوينات الزمنية-المكانية-القنواتية الخاصة ديناميكيًا خلال عملية التعقب، مما يبرز الميزات ذات الصلة ويقلل من تأثير التمثيلات الأقل تمييزًا على الأداء ويحد من تكرار المعلومات. النتائج التجريبية التي تم الحصول عليها على OTB2013 و OTB2015 و VOT2017 و VOT2018 و TrackingNet تظهر مزايا GFS-DCF الخاصة بنا وتتفوق على أفضل المتعقبات الحالية. الكود متاح بشكل عام على الرابط: https://github.com/XU-TIANYANG/GFS-DCF.