Resumen

Se presenta un enfoque supervisado para aprender en línea una representación estructurada, dispersa y discriminativa para el seguimiento de objetos. La información de etiqueta de los datos de entrenamiento se incorpora en el proceso de aprendizaje del diccionario para construir un diccionario robusto y discriminativo. Esto se logra añadiendo un término de regularización de código ideal y un término de error de clasificación a la función objetivo total. Al minimizar la función objetivo total, aprendemos el diccionario de alta calidad y el clasificador lineal óptimo de forma conjunta utilizando el algoritmo de mínimos cuadrados ponderados iterativos. Combinado con la codificación dispersa robusta, el clasificador aprendido se emplea directamente para separar el objeto del fondo. A medida que el seguimiento continúa, el algoritmo propuesto alterna entre la codificación dispersa robusta y la actualización del diccionario. Las evaluaciones experimentales en secuencias desafiantes muestran que el algoritmo propuesto tiene un rendimiento favorable en términos de efectividad, precisión y robustez en comparación con

• Materias:Ecuaciones diferenciales Ecuaciones integrales Variables independientes Sistemas dinámicos Combinaciones convexas
• Subjects:Differential equations Integral equations Independent variables Dynamic systems Convex combinations
• Palabras claves:Enfoque; Aprendizaje en línea; Disperso estructurado; Representación discriminativa; Seguimiento de objetos; Aprendizaje de diccionario.
• Keywords:Approach; Online-learn; Structured sparse; Discriminative representation; Object tracking; Dictionary learning.