Resumen

Se propone un aprendizaje de instancias múltiples en línea mejorado (IMIL) para un algoritmo de seguimiento visual. En el algoritmo IMIL, la importancia de cada instancia que contribuye a una probabilidad de bolsa es con respecto a sus probabilidades. Se presenta una estrategia de selección basada en un producto interno para elegir un clasificador débil de un conjunto de clasificadores, lo que evita calcular las probabilidades de instancia y la probabilidad de bolsa M veces. Además, se presenta una estrategia de retroalimentación para actualizar los clasificadores débiles. En la estrategia de actualización por retroalimentación, se asignan diferentes pesos al resultado del rastreo y a la plantilla de acuerdo con la máxima puntuación del clasificador. Finalmente, el algoritmo presentado se compara con otros algoritmos del estado del arte. Los resultados experimentales demuestran que el algoritmo de seguimiento propuesto se ejecuta en tiempo real y es robusto ante la oclusión y los cambios de apariencia.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:probabilidad de bolsa, clasificador débil, puntuación máxima del clasificador, instancia múltiple en línea, algoritmo de seguimiento visual, estrategia de actualización de retroalimentación, algoritmo imil, cambio de apariencia, productos internos, ejecución del algoritmo
• Keywords:bag probability, weak classifier, maximum classifier score, online multiple instance, visual tracking algorithm, feedback update strategy, imil algorithm, appearance change, inner products, algorithm run