Resumen

Abordamos el problema de seguimiento de objetos como un proceso de aprendizaje de características multitarea basado en la representación de baja jerarquía de características con esparcidez conjunta. Primero seleccionamos características con representación de baja jerarquía dentro de un número de cuadros iniciales para obtener una base de subespacio. A continuación, las características representadas por la propiedad de baja jerarquía y esparcidez se aprenden utilizando un marco de aprendizaje de características multitarea modificado basado en la esparcidez conjunta. Tanto las características como los errores dispersos se actualizan de manera óptima utilizando un novedoso método de dirección alternativa incremental. El problema de minimización de baja jerarquía para aprender características multitarea se puede lograr mediante unas pocas secuencias de un eficiente proceso de actualización en forma cerrada. Dado que el método propuesto intenta abordar el problema de aprendizaje de características de manera multitarea y de baja jerarquía, no solo puede reducir la dimensión, sino también mejorar el rendimiento de seguimiento sin deriva. Los

• Materias:Ecuaciones diferenciales Ecuaciones integrales Variables independientes Sistemas dinámicos Combinaciones convexas
• Subjects:Differential equations Integral equations Independent variables Dynamic systems Convex combinations
• Palabras claves:Seguimiento de objetos; Aprendizaje de características multitarea; Representación de baja jerarquía; Dispersión conjunta; Errores dispersos; Método de dirección alternante incremental
• Keywords:Object tracking; Multitask feature learning; Low-rank representation; Joint sparsity; Sparse errors; Incremental alternating direction method