《基於深度外觀建模和時空隱變數推理的線上目標跟蹤》是依託大連理工大學,由王棟擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於深度外觀建模和時空隱變數推理的線上目標跟蹤
- 依託單位：大連理工大學
- 項目類別：青年科學基金項目
- 項目負責人：王棟
項目摘要,結題摘要,
項目摘要
線上目標跟蹤是計算機視覺和視頻處理領域的難點和熱點問題，並有廣泛的實際套用。然而現有算法尚未突破跟蹤問題的研究瓶頸，未能在大尺度資料庫上取得令人滿意的結果。..本項目擬從深度學習和時空隱變數推理角度出發研究線上目標跟蹤問題。首先，擬建立基於深度學習的外觀模型，將深度學習理論推廣到目標跟蹤領域。一方面，提出深度目標性概念，利用深度神經網路逐步學習被跟蹤目標的目標性描述；另一方面，利用深度學習挖掘有效的局部特徵描述，並將其與池化算法、分類器相結合設計跟蹤算法。其次，擬研究時空隱變數模型建立統一的目標跟蹤框架，有效結合全局和局部深度外觀模型、幀內空間配置關係以及幀間時間一致性和不一致性關係。最後，以機率圖理論為基礎，有針對性地提出模型簡化方案和設計模型推理算法，有效平衡跟蹤精度和速度。..擬通過上述研究，為實現魯棒快速的線上目標跟蹤算法提供理論和實踐支撐，在大尺度測評中取得突破性進展。
結題摘要
線上目標跟蹤是計算機視覺和視頻處理領域的難點和熱點問題，並有廣泛的實際套用。本項目主要從目標外觀建模和時空隱變數推理兩個方面系統地研究了線上目標跟蹤問題，提出了連續異常噪聲（TIP2015），最小軟閾值均方（TCSVT2016），時空隱變數遮擋感知（TIP2016），聯合判決性和可靠性相關濾波（CVPR2018），局部空間敏感回歸（CVPR2018，VOT2017公開組第一名），“演員-評論家”框架（ECCV2018）等有效的跟蹤模型及算法，在跟蹤精度和速度上均取得了較為突出的進展，在OTB和VOT標準測評中達到國際領先。在本項目資助下，課題組共發表論文17篇（SCI檢索9篇），其中包括IEEE TIP、IEEE TCSVT、CVIU、PR等頂級期刊論文6篇，CVPR、ICCV、ECCV等頂級會議論文7篇。基於上述部分成果，課題組負責人獲教育部自然科學二等獎1項（排名第2）。
