We have proposed advanced improveme

We have proposed advanced improvements concerning the
particle sampling and the observation model. Our advanced
particle filter was tested on image sequences taken from a moving airplane and a stationary UAV. The qualitative evaluation
showed that our efficient sampling strategy increases the robustness of the tracker in case of abrupt motion while not increasing
the risk of false positive alarms. We also demonstrated the effectiveness of our adaptive observation model, which improves
the robustness of the tracker against appearance changes of the vehicles while avoiding the template drift problem.
If the appearance or motion changes are too abrupt, the tracker may still fail. Future work could include the learning
of the semantic context within the road map to allow for better spatiotemporal guiding of the tracker.

ผลลัพธ์ (ไทย) 1:

เราได้เสนอการปรับปรุงขั้นสูงเกี่ยวกับการเก็บตัวอย่างอนุภาคและแบบสังเกต ขั้นสูงของเราอนุภาค filter ได้รับการทดสอบในลำดับภาพที่ถ่ายจากเครื่องบินเคลื่อนที่และ uav ในที่สุดเครื่องเขียน การประเมินเชิงคุณภาพแสดงให้เห็นว่า กลยุทธ์ของเรา efficient สุ่มเพิ่มเสถียรภาพของ tracker ในกรณีเคลื่อนไหวฉับพลันขณะไม่เพิ่มขึ้นความเสี่ยงของสัญญาณบวกเท็จ เรายังแสดงให้เห็นว่าประสิทธิภาพของของเรารุ่นแบบอะแดปทีฟการสังเกต การปรับปรุงเสถียรภาพของตัวติดตามการเปลี่ยนแปลงลักษณะที่ปรากฏของยานพาหนะในขณะที่หลีกเลี่ยงปัญหาการดริฟท์แบบถ้าการเปลี่ยนแปลงลักษณะที่ปรากฏหรือเคลื่อนไหวมากเกินไปอย่างทันทีทันใด tracker อาจยังคงล้มเหลว ทำงานในอนาคตอาจรวมถึงการเรียนรู้ของบริบททางตรรกภายในแผนที่ถนนเพื่อให้การแนะนำตัวติดตามที่ spatiotemporal ดีกว่า

ผลลัพธ์ (ไทย) 3:

เรานำเสนอขั้นสูงการปรับปรุงเกี่ยวกับ
อนุภาค ) และการสังเกตแบบ อนุภาค lter จึงขั้นสูง
ของเราถูกทดสอบในลำดับภาพที่ถ่ายจากเครื่องบินและอากาศยานขนย้ายเครื่องเขียน
การประเมินเชิงคุณภาพ พบว่า กลยุทธ์ของเราจึง cient EF ) เพิ่มความแกร่งของติดตามกรณีฉับพลันเคลื่อนไหวในขณะที่ไม่เพิ่ม
ความเสี่ยงจากสัญญาณบวกเท็จ นอกจากนี้เรายังแสดงให้เห็นถึงประสิทธิภาพของแบบสังเกต แบบที่ช่วยเพิ่มความแกร่งของกับ
ติดตามการเปลี่ยนแปลงลักษณะของยานพาหนะในขณะที่การหลีกเลี่ยงปัญหาแม่แบบดริฟท์ .
ถ้าลักษณะหรือเคลื่อนไหวเปลี่ยนแปลงไปทันทีทันใด , ติดตามอาจยังคงล้มเหลว การทำงานในอนาคตอาจรวมถึงการเรียนรู้
ความหมายของบริบทภายในแผนที่เส้นทางเพื่อให้ spatiotemporal ดีกว่าชี้นำของติดตาม