الگوریتم ردیابی یادگیری تشخیص بهبود داده شده جهت نرخ قاب پایین

الگوریتم ردیابی یادگیری تشخیص (TLD) سنتی، نسبت به چالش­هایی همچون تغییرات روشنایی، کلاترها و نرخ قاب پایین بسیار حساس بوده و باعث خطا در ردیابی هدف می­گردد. در راستای غلبه بر این مشکلات و بهبود مقاومت الگوریتم، معماری الگوریتم ردیابی یادگیری تشخیص با ترکیب الگوریتم انتقال متوسط و الگوریتم یادگیری نیمه ­نظارتی هم­یادگیری، بهبود داده شده است. این ساختار در شرایط نرخ قاب پایین نتایج بهتری را نتیجه می­دهد و مقاومت و دقت الگوریتم را نسبت به الگوریتم سنتی ردیابی یادگیری تشخیص افزایش می­دهد. زیرا الگوریتم ردیابی انتقال متوسط نسبت به چرخش، موانع جزئی، تغییرات اندازه مقاوم بوده و به سادگی اجرا شده و به محاسبات کمی نیاز دارد. از طرف دیگر الگوریتم یادگیری نیمه­نظارتی هم­یادگیری با دو طبقه ­بند مستقل می­تواند تغییرات ویژگی­های هدف را به خوبی آموزش ببیند. بنابراین، ساختار توسعه داده شده می­تواند مشکل گم کردن هدف را در شرایط وجود همزمان نرخ قاب پایین و چالش­های دیگر حل نماید. نهایتا، ارزیابی مقایسه­ای روش پیشنهادی با الگوریتم­های معروف ردیابی بر روی سناریوهای مختلف از پایگاه داده مشهور TB-۱۰۰، حاکی از عملکرد برتر روش پیشنهادی در مقایسه با سایر روش­ها از لحاظ مقاومت و پایداری است. نهایتا ساختار پیشنهادی بر اساس معماری ردیابی یادگیری تشخیص در ویدیوهایی با چالش­های مختلف ذکر شده به­طور متوسط حدود ۳۳ درصد نتایج را نسبت به الگوریتم سنتی ردیابی یادگیری تشخیص بهبود خواهد بخشید.

کلیدواژه ها:

ردیابی هدف ، الگوریتم انتقال متوسط ، الگوریتم ردیابی یادگیری تشخیص ، الگوریتم یادگیری ماشین ، نرخ قاب پایین