潜在约束相关滤波用于目标定位
计算机视觉与模式识别
2017-06-06 v2
摘要
在传统机器学习方法中有一个被忽视的事实，即数据采样实际上可以导致解采样。我们认为这一观察很重要，因为获得解采样使得变量分布估计（这是许多与学习相关应用中的一个问题）变得更易处理。在本文中，我们将这一思想应用于相关滤波，相关滤波因其低计算成本下的高性能在过去几年中引起了广泛关注。更具体地，我们提出了一种新方法，称为潜在约束相关滤波（LCCF），通过将相关滤波映射到给定的潜在子空间，在其中我们建立了一个新的学习框架，将分布相关约束嵌入到原始问题中。我们进一步引入了基于子空间的交替方向乘子法（SADMM）来高效解决该优化问题，并被证明收敛到鞍点。我们的方法成功应用于两个不同的任务，包括眼睛定位和车辆检测。大量实验表明，当样本受到噪声和遮挡影响时，LCCF优于最先进(state-of-the-art)方法。
引用
@article{arxiv.1606.02170,
title = {Latent Constrained Correlation Filters for Object Localization},
author = {Shangzhen Luan and Baochang Zhang and Jungong Han and Chen Chen and Ling Shao and Alessandro Perina and Linlin Shen},
journal= {arXiv preprint arXiv:1606.02170},
year = {2017}
}
备注
There are small problems and theories need to be perfected