HyperAIHyperAI
منذ 16 أيام

تعلم الشبكة السيمياسية الديناميكية للتتبع البصري للكائنات

{Rui Huang, Ce Zhou, Song Wang, Qing Guo, Liang Wan, Wei Feng}
تعلم الشبكة السيمياسية الديناميكية للتتبع البصري للكائنات
الملخص

كيفية تعلُّم التغيرات الزمنية في مظهر الهدف بشكل فعّال، مع استبعاد تأثير الخلفية المشوّشة، مع الحفاظ على الاستجابة في الوقت الفعلي، يُعدّ مشكلة أساسية في تتبع الأهداف البصرية. في الآونة الأخيرة، أظهرت الشبكات السياميزية إمكانات كبيرة في تطوير مُتتبعات تعتمد على المطابقة، حيث تمكّنت من تحقيق توازن بين الدقة والسرعة الفائقة للوقت الحقيقي. ومع ذلك، لا تزال تُعاني من فجوة كبيرة مقارنةً بالمتتبعات القائمة على التصنيف والتحديث فيما يتعلق بتحمل التغيرات الزمنية في الأهداف وظروف التصوير. في هذا البحث، نقترح شبكة سياميزية ديناميكية، من خلال نموذج تعلُّم تحويل سريع يمكّن من تعلُّم فعّال لتغيرات مظهر الهدف وقمع الخلفية من الإطارات السابقة. ثم نقدّم دمجًا متعدد الطبقات على مستوى العناصر (elementwise multi-layer fusion)، لدمج مخرجات الشبكة بشكل تكيفي باستخدام ميزات عميقة متعددة المستويات. على عكس المتتبعات الرائدة حديثًا، يتيح نهجنا استخدام أي ميزات مناسبة مُدرّبة بشكل عام أو خاص، مثل SiamFC وVGG. والأهم من ذلك، يمكن تدريب الشبكة السياميزية الديناميكية بشكل موحد ككل مباشرة على تسلسلات فيديو مُعلّمة، مما يسمح باستغلال أقصى استفادة من المعلومات المكانية-الزمنية الغنية للأجسام المتحركة. نتيجة لذلك، حقق أسلوبنا أداءً يُصنف كأفضل أداء حاليًا على معايير OTB-2013 وVOT-2015، مع عرض توازن متفوّق بين الدقة والسرعة في الوقت الحقيقي مقارنةً بالمنافسين الرائدين.

تعلم الشبكة السيمياسية الديناميكية للتتبع البصري للكائنات | أحدث الأوراق البحثية | HyperAI