sparse representation
2017-03-11 19:02:00 0 举报
稀疏表示(Sparse Representation)是一种在信号处理、机器学习和数据分析中广泛应用的概念。它指的是将一个复杂的信号或数据用尽可能少的非零元素来表示,从而降低了存储和计算的复杂度。稀疏表示的核心思想是寻找信号中的“重要”成分,这些成分在表示中以非零值的形式出现,而其他不重要的成分则被忽略或设为零。这种方法在图像处理、语音识别、自然语言处理等领域具有广泛的应用前景,因为它可以有效地提取出信号中的关键特征,同时减少了不必要的计算量。
作者其他创作
大纲/内容
目标检测(响应最大值)
考虑粒子与粒子的关系,粒子内划分成多个图像间的关系。(粒子用稀疏表示来解决目标遮挡,粒子里的图像块是稀疏表示)状态转移:高斯分布的仿射运动相似度:is scomputed by a function of the reconstruction error obtained by linearly representing yt
CST(3)
SST(3)
在特征提取去的时候分块提取(特征:灰度值)
【1】CST(1)
大致确定目标状态(位置,尺度)
w1
决策阶段
通过PSR判断目标遮挡情况
人工指定目标区域后,计算该目标特征
状态转移(平均数为0、对角协方差的高斯函数,)相似度:目标模板和粒子的距离(用的是提炼后的粒子)
循环
根据相似度来计算目标的位置(1)根据相似度来给每个粒子权重,然后累加.(2)直接根据最大相识度(3)...
相似度小的去除掉,大的保留,但总的粒子数不变,所有的粒子占了多份
【2】SST(1)
遮挡
SST(2)
CST(2)
跟新模板模型(式15)、估计目标状态(ppt12)
训练分类器
没有遮挡
目标尺度,位置
在目标模板中嵌入循环矩阵(特征:HOG)
更新分类器
搜索阶段(转态转移)
初始化
在一帧目标位置投放粒子,提高粒子数量和提高仿射参数
根据DSST得出的位置和尺度进行投放粒子
构建循环样本矩阵
KCF
DSST
w2
特征提取
(预测)每个粒子计算特征,并和目标的特征计算相似度
目标位置和尺度
(第一次)如何使放置粒子:(1)均匀(2)靠近目标.
重新采样
下一个目标状态是和目标字典模板最高相似的粒子(图像块也是最高很相似)(2)模板跟新经常被使用的模板有较高的权重,最低的权重将被当前结果取代
第一次粒子投放+稀疏表示
0 条评论
下一页