2. Related workRecently, generative

2. Related work
Recently, generative and discriminative models are two
major categories of models used for representing the target
in object tracking. The generative tracking models
typically model the target in a feature subspace and find
the candidates which are the most similar to the target
model [1,4,19] or search for the regions with the highest
likelihood [20–23] to handle the target variation. The
discriminative models formulate tracking as a binary
classification problem that distinguishes the target object
from the background, such as SVM classifier [24–26],
online boosting classifier [27,28], P–N learning classifier
[29]. Generally, the generative model achieves higher
generalization with limited data, but the appearance
model needs to be dynamically updated frequently to fit
the target appearance variation. The discriminative model
performs better when the size of training set is large, but it
requires enough samples to initialize and update during
tracking since the target is often given at the first frame.
Some approaches [30,31] combine the discriminative
model and generative model together to improve the
tracking accuracy.
Sparse representation based tracking approaches [11–
17,30,32] achieve impressive results due to the strong representative
capacity of sparse coding. Mei et al. [11] propose L1
tracker by modeling the target as a single entity and using
trivial templates as a sparse noise component to handle
occlusion, and then Bao et al. [12] improve the efficiency of L1
tracker via accelerated proximal gradient approach. Wang
et al. [13] replace the feature of target templates by orthogonal
PCA and propose an object model with sparse prototypes.
Liu et al. [16] consider the background information in
the dictionary construction. Jia et al. [17] propose an alignment
pooling approach to obtain global sparse representations
and update the templates by replacing old templates.
The previous approaches generally locate the best
candidate by the minimal reconstruction error. Nevertheless,
a dictionary without learning does not characterize
the appearance variation well because it is constructed
only by target templates in the first frame and updated
heuristically to adapt to variation. Hence, the minimal
reconstruction error evaluated by such dictionary is unlikely
to have high accuracy to measure the best tracking
result. In addition, it will introduce accumulated error into
the dictionary when significant occlusion or variation
occurs during tracking.
Motivated by recent progress of tracking algorithms
and supervised dictionary learning method [33], we propose
a novel cascaded probabilistic tracking algorithm via
supervised dictionary learning. The most similar approach
with ours is the tracking approach presented in [14]. We
both learn a discriminative dictionary by supervised dictionary
learning method. However, our method is different
from theirs in several ways. First, they construct the initial
dictionary with samples of target and pure background
while we use assembled sample set of three parts: target,

ผลลัพธ์ (ไทย) 1:

2. ที่เกี่ยวข้องกับงานล่าสุด รูปแบบ generative และ discriminative สองประเภทหลักของแบบจำลองที่ใช้สำหรับการแสดงเป้าหมายในการติดตามวัตถุ รุ่นติดตาม generativeโดยปกติรูปแบบเป้าหมายใน subspace คุณลักษณะ และค้นหาผู้สมัครที่สุดคล้ายกับเป้าหมายจำลอง [1,4,19] หรือค้นหาในภูมิภาคมีสูงสุดโอกาส [20-23] การจัดการเปลี่ยนแปลงเป้าหมาย ที่รุ่น discriminative กำหนดติดตามเป็นไบนารีปัญหาประเภทที่แตกต่างวัตถุเป้าหมายจากพื้นหลัง เช่น classifier SVM [24-26],ออนไลน์ส่งเสริม classifier [27,28], classifier เรียน P – N[29] โดยทั่วไป แบบ generative ได้รับสูงขึ้นมีข้อมูลจำกัด ลักษณะ generalizationแบบจำลองต้องได้ถูกปรับปรุงบ่อยพอดีเปลี่ยนแปลงลักษณะที่ปรากฏของเป้าหมาย รุ่น discriminativeทำได้ดีขึ้นเมื่อขนาดของชุดการฝึกอบรมเป็นจำนวนมาก แต่ต้องการอย่างเพียงพอเพื่อเตรียมใช้งาน และปรับปรุงในระหว่างการติดตามเนื่องจากมักจะมีกำหนดเป้าหมายที่เฟรมแรกบางแนวทาง [30,31] รวมที่ discriminativeรูปแบบและรูปแบบ generative กันเพื่อปรับปรุงการติดตามความถูกต้องแสดงบ่อตามแนวทางการติดตาม [11-17,30,32] บรรลุผลลัพธ์ที่น่าประทับใจเนื่องจากตัวแทนที่แข็งแกร่งความจุของบ่อกำหนด เหมยร้อยเอ็ด al. [11] เสนอ L1ตัวติดตาม โดยเป้าหมายเป็นเอนทิตีเดียวการสร้างโมเดลแม่เล็กน้อยเสียงเบาส่วนประกอบในการจัดการปรับปรุงประสิทธิภาพของ L1 ไม่ควรมองข้าม และ al. et เบา [12]ตัวติดตามผ่านวิธีไล่ระดับ proximal เร่ง วังร้อยเอ็ด al. [13] แทนลักษณะการทำงานของต้นแบบเป้าหมายตาม orthogonalPCA และเสนอแบบจำลองวัตถุกับต้นแบบบ่อหลิว al. ร้อยเอ็ด [16] พิจารณาข้อมูลพื้นหลังในการก่อสร้างพจนานุกรม การจัดตำแหน่งเสนอเจีย et al. [17]วิธีรับแทนบ่อส่วนกลางร่วมกันและปรับปรุงแม่แบบ ด้วยการแทนที่แบบเก่าวิธีการก่อนหน้านี้โดยทั่วไปค้นหาดีที่สุดผู้สมัครตามข้อผิดพลาดน้อยที่สุดฟื้นฟู อย่างไรก็ตามพจนานุกรมได้โดยไม่ต้องเรียนรู้ลักษณะไม่เปลี่ยนแปลงลักษณะปรากฏที่ดีเนื่องจากมันถูกสร้างขึ้นโดยเป้าหมายในครั้งแรกที่แม่แบบเฟรม และปรับปรุงสำนึกเพื่อปรับให้เข้ากับการเปลี่ยนแปลง ดังนั้น น้อยที่สุดข้อผิดพลาดฟื้นฟูประเมิน โดยพจนานุกรมดังกล่าวไม่น่ามีความแม่นยำสูงวัดการติดตามที่ดีที่สุดผลการ นอกจากนี้ มันจะแนะนำผิดพลาดสะสมในพจนานุกรมเมื่อสำคัญไม่ควรมองข้ามหรือเปลี่ยนแปลงเกิดขึ้นในระหว่างการติดตามแรงจูงใจ โดยความคืบหน้าล่าสุดของอัลกอริทึมการติดตามและพจนานุกรมที่มีการเรียนรู้วิธีการ [33], เราอัลกอริทึมนวนิยาย cascaded probabilistic ติดตามผ่านการเรียนรู้มีพจนานุกรม วิธีการคล้ายคลึงกันมากที่สุดเรามีวิธีการติดตามการนำเสนอใน [14] เราทั้งเรียนรู้พจนานุกรม discriminative โดยมีพจนานุกรมเรียนรู้วิธีการ อย่างไรก็ตาม วิธีการของเราจะแตกต่างกันจากตนในหลายวิธี ครั้งแรก พวกเขาสร้างต้นพจนานุกรมที่ มีตัวอย่างของเป้าหมายและเบื้องหลังที่แท้ในขณะที่เราใช้ ประกอบตัวอย่างการตั้งค่า 3 ส่วน: เป้าหมาย

ผลลัพธ์ (ไทย) 2:

2.
การทำงานที่เกี่ยวข้องเมื่อเร็วๆ นี้รูปแบบการกำเนิดและการจำแนกเป็นสองประเภทหลักของรูปแบบที่ใช้สำหรับการเป็นตัวแทนของเป้าหมายในการติดตามวัตถุ รูปแบบการติดตามกำเนิดมักจะจำลองเป้าหมายในสเปซคุณลักษณะและหาผู้สมัครที่มีความคล้ายกันมากที่สุดไปยังเป้าหมายรูปแบบ[1,4,19] หรือค้นหาโดยภูมิภาคที่มีมากที่สุดน่าจะเป็น[20-23] ที่จะจัดการกับเป้าหมาย การเปลี่ยนแปลง รุ่นจำแนกกำหนดติดตามเป็นไบนารีปัญหาการจัดหมวดหมู่ที่แตกต่างวัตถุเป้าหมายจากพื้นหลังเช่นลักษณนามSVM [24-26] ออนไลน์ส่งเสริมการจําแนก [27,28], P-N ลักษณนามการเรียนรู้[29] โดยทั่วไปรูปแบบที่ประสบความสำเร็จในการกำเนิดสูงทั่วไปที่มีข้อมูล จำกัด แต่ลักษณะรูปแบบจะต้องมีการปรับปรุงแบบไดนามิกบ่อยเพื่อให้เหมาะสมกับการเปลี่ยนแปลงลักษณะเป้าหมาย รูปแบบการจำแนกดำเนินการที่ดีขึ้นเมื่อขนาดของชุดการฝึกอบรมที่มีขนาดใหญ่แต่มันต้องใช้กลุ่มตัวอย่างมากพอที่จะเริ่มต้นในช่วงปรับปรุงและติดตามตั้งแต่เป้าหมายมักจะได้รับในเฟรมแรก. วิธีการบาง [30,31] รวมจำแนกรูปแบบและรูปแบบการกำเนิดร่วมกันเพื่อปรับปรุงความถูกต้องติดตาม. ตัวแทนเบาบางตามแนวทางการติดตาม [11 17,30,32] บรรลุผลลัพธ์ที่น่าประทับใจเนื่องจากการเป็นตัวแทนที่แข็งแกร่งมีความจุของการเข้ารหัสเบาบาง เหมย et al, [11] เสนอ L1 ติดตามโดยการสร้างแบบจำลองเป้าหมายเป็นองค์กรเดียวและการใช้แม่แบบเล็ก ๆ น้อย ๆ เป็นองค์ประกอบเสียงเบาบางที่จะจัดการกับการบดเคี้ยวแล้วเบ้าet al, [12] ปรับปรุงประสิทธิภาพของ L1 ติดตามผ่านทางวิธีการเร่งการไล่ระดับสีใกล้เคียง วังet al, [13] เปลี่ยนคุณลักษณะของแม่แบบเป้าหมายโดยมุมฉากPCA และนำเสนอรูปแบบวัตถุกับต้นแบบเบาบาง. หลิว et al, [16] พิจารณาข้อมูลพื้นฐานในการก่อสร้างพจนานุกรม เจี่ย et al, [17] เสนอการจัดตำแหน่งวิธีการร่วมกันที่จะได้รับการแสดงที่กระจัดกระจายทั่วโลกและปรับปรุงแม่แบบโดยการเปลี่ยนแม่แบบเก่า. แนวทางก่อนหน้านี้โดยทั่วไปจะค้นหาสิ่งที่ดีที่สุดของผู้สมัครโดยข้อผิดพลาดน้อยที่สุดการฟื้นฟู อย่างไรก็ตามพจนานุกรมโดยไม่ต้องเรียนรู้ไม่ได้เป็นลักษณะรูปแบบลักษณะเดียวเพราะมันถูกสร้างขึ้นโดยเฉพาะเป้าหมายแม่แบบในเฟรมแรกและมีการปรับปรุงheuristically ปรับตัวเข้ากับการเปลี่ยนแปลง ดังนั้นน้อยที่สุดข้อผิดพลาดการฟื้นฟูการประเมินโดยพจนานุกรมดังกล่าวไม่น่าจะมีความแม่นยำสูงในการวัดที่ดีที่สุดในการติดตามผล นอกจากนี้ยังจะนำข้อผิดพลาดสะสมเข้าไปในพจนานุกรมเมื่อบดเคี้ยวอย่างมีนัยสำคัญหรือการเปลี่ยนแปลงเกิดขึ้นในระหว่างการติดตาม. แรงบันดาลใจจากความคืบหน้าล่าสุดของขั้นตอนวิธีการติดตามและดูแลวิธีการเรียนรู้พจนานุกรม [33] เราเสนอนวนิยายระดับล่างน่าจะเป็นขั้นตอนวิธีการติดตามผ่านการเรียนรู้ภายใต้การดูแลพจนานุกรม วิธีการที่คล้ายกันมากที่สุดกับของเราเป็นวิธีการติดตามที่นำเสนอใน [14] เราทั้งสองได้เรียนรู้พจนานุกรมจำแนกโดยภายใต้การดูแลพจนานุกรมวิธีการเรียนรู้ อย่างไรก็ตามวิธีการของเราจะแตกต่างจากพวกเขาในหลายวิธี ก่อนที่พวกเขาเริ่มต้นสร้างพจนานุกรมที่มีตัวอย่างของเป้าหมายและพื้นหลังบริสุทธิ์ในขณะที่เราใช้ประกอบชุดตัวอย่างสามส่วนเป้าหมาย

ผลลัพธ์ (ไทย) 3:

2 . ที่เกี่ยวข้อง
เมื่อเร็วๆ นี้ และรุ่นที่เข้าแยกเป็นสองประเภทหลักของรุ่นที่ใช้

แสดงเป้าหมายในการติดตามวัตถุ การเข้าติดตามรุ่น
โดยปกติรูปแบบเป้าหมายในลักษณะย่อยและหา
ผู้สมัครซึ่งเป็นส่วนใหญ่ใกล้เคียงกับเป้าหมายแบบ 1,4,19
[ ] หรือการค้นหาสำหรับภูมิภาคที่มีสูงสุด
ความน่าจะเป็น [ 23 ] เพื่อจัดการกับการเปลี่ยนแปลง และเป้าหมาย
รุ่นและการติดตามเป็นไบนารี
การจำแนกปัญหาที่แตกต่างจากวัตถุเป้าหมาย
จากพื้นหลัง เช่น แบบ SVM [ 24 – 26 ] ,
ออนไลน์พื่นตัว [ 27,28 ] , P - N เรียนรู้ลักษณนาม
[ 29 ] โดยทั่วไป เซลล์แบบใช้สูงกว่า
การด้วยข้อมูลที่ จำกัด แต่ลักษณะ
แบบต้องมีการปรับปรุงบ่อยเพื่อให้พอดีกับแบบไดนามิก
เป้าหมายลักษณะการแปรผัน รูปแบบและประสิทธิภาพดีกว่า
เมื่อขนาดของชุดฝึก ชุดใหญ่ แต่พอเริ่มมีตัวอย่าง

ติดตามและปรับปรุงในช่วงตั้งแต่เป้าหมายมักจะได้รับในกรอบแรก .
แนว [ 30,31 ] รวมนางแบบและค่า

เซลล์แบบร่วมกันเพื่อปรับปรุงติดตามความถูกต้อง ตามแนวทางการติดตามมาก

17,30,32 ) [ 11 ] ให้ได้ผลลัพธ์ที่น่าประทับใจจากที่แข็งแกร่งตัวแทน
ความจุนะครับ ป่าโปร่ง เมย์ et al . [ 11 ] เสนอติดตาม l1
ใช้เป้าหมายเป็นองค์กรเดียวและใช้
แม่แบบจิ๊บจ๊อยเป็นส่วนประกอบเสียงโปร่งจัดการ
เคี้ยวแล้วเป่า et al . [ 12 ] ปรับปรุงประสิทธิภาพของ L1
ติดตามผ่านการเร่งการทำงาน ) วัง
et al . [ 13 ] แทนที่คุณสมบัติแม่แบบของเป้าหมายด้วย )
PCA และเสนอรูปแบบวัตถุกับเบาบางต้นแบบ
Liu et al . [ 16 ] พิจารณาข้อมูลใน
สร้างพจนานุกรม Jia et al . [ 17 ] เสนอแนวการสอนเพื่อให้ได้ทั่วโลกเบาบาง

แทนและปรับปรุงโดยการเปลี่ยนแม่แบบแม่แบบเก่า วิธีการดังกล่าวโดยทั่วไป

หาผู้สมัครที่ดีที่สุดโดยข้อผิดพลาดการฟื้นฟูน้อยที่สุด โดย
พจนานุกรมโดยการเรียนรู้ไม่ได้เป็นลักษณะ
ลักษณะการแปรดีเพราะมันถูกสร้างขึ้นด้วยเป้าหมายในแม่แบบ

heuristically เฟรมแรก และปรับปรุงให้เข้ากับการเปลี่ยนแปลง . ดังนั้น น้อยที่สุด
ซ่อมแซมข้อผิดพลาดประกอบด้วยพจนานุกรมดังกล่าวไม่น่าจะ
มีความแม่นยำสูงในการวัดผลการติดตาม
ที่ดีที่สุด นอกจากนี้ก็จะแนะนำข้อผิดพลาดที่สะสมในพจนานุกรม
เมื่อพบการเปลี่ยนแปลงเกิดขึ้นในระหว่างการติดตามหรือ
.
motivated โดยความคืบหน้าล่าสุดของการติดตามและดูแลพจนานุกรมการเรียนรู้วิธีการขั้นตอนวิธี

[ 33 ] เราได้เสนอนวนิยายทั้งเชิงขั้นตอนวิธีการติดตามผ่าน
พจนานุกรมการเรียนรู้ วิธีการที่คล้ายกันมากกับของเรา
ติดตามคือวิธีการนำเสนอใน [ 14 ] เราต่างเรียนรู้พจนานุกรมค่า

มีพจนานุกรมการเรียนรู้โดยวิธี อย่างไรก็ตาม วิธีการของเราไม่เหมือนกัน
จากพวกเขาได้หลายวิธี ครั้งแรกที่พวกเขาสร้างครั้งแรก
พจนานุกรมตัวอย่างของเป้าหมายและพื้นหลังบริสุทธิ์
ในขณะที่เราใช้ประกอบตัวอย่างชุดสามส่วน : เป้าหมาย