인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록·키워드
From the perspective of object state modeling, visual object tracking can be regarded as a unified process that combines object state estimation and object localization. In this framework, state estimation refers to predicting the complete state vector of the object–such as its position, scale, and motion dynamics–while localization specifically denotes identifying the object’s spatial position within the image, typically in the form of bounding box coordinates. Traditional optimization-based methods for state estimation often suffer from getting trapped in local optima, primarily due to the non-convexity of the objective function and the algorithm’s sensitivity to initialization. To address these issues, this research proposes an object state optimization algorithm based on Bayesian random sampling for visual object tracking. Firstly, a dense sampling method is introduced to mitigate the problem of local optima. Secondly, a hybrid model that merges Bayesian random sampling and gradient ascent is proposed to refine the bounding box, successfully alleviating convergence instability. Finally, our experimental results show that the proposed algorithm significantly improves tracking performance on multiple datasets, validating its efficiency and applicability in object state estimation tasks.
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
