Técnicas mixtas de seguimiento y aprendizaje para tracking en secuencias de video
Dentro del campo de visión por computadora, el problema de tracking consiste en seguir la posición de un objeto en una secuencia de video. Este ha sido abordado de variadas maneras, principalmente con métodos basados en flujo óptico y, más recientemente, empleando técnicas de detección y aprendizaje automático. Particularmente, el tracker TLD ha demostrado buenos resultados combinando ambos esquemas. Sin embargo, el algoritmo de clasificación Nearest Neighbour utilizado en TLD tiene requerimientos altos en memoria y poder de cómputo. En este trabajo se exploran otros métodos de clasificación bajo el mismo esquema usado en TLD, de manera de mantener buen desempeño de tracking pero sin dichas limitaciones. Más específicamente, se utiliza un clasificador lineal junto con representaciones basadas en vectores de Fisher, cuyo uso de recursos es considerablemente menor a NN. Se compara experimentalmente el desempeño de tracking de este nuevo esquema con TLD original, validando el uso de este nuevo esquema para abordar el problema de tracking
Main Author: | |
---|---|
Other Authors: | |
Format: | bachelorThesis biblioteca |
Language: | spa |
Published: |
2015-09
|
Subjects: | Flujo óptico, |
Online Access: | http://hdl.handle.net/11086/2829 |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
id |
dig-unc-ar-11086-2829 |
---|---|
record_format |
koha |
spelling |
dig-unc-ar-11086-28292022-10-13T11:33:56Z Técnicas mixtas de seguimiento y aprendizaje para tracking en secuencias de video Gaich, Facundo Sánchez, Jorge Adrián Flujo óptico Dentro del campo de visión por computadora, el problema de tracking consiste en seguir la posición de un objeto en una secuencia de video. Este ha sido abordado de variadas maneras, principalmente con métodos basados en flujo óptico y, más recientemente, empleando técnicas de detección y aprendizaje automático. Particularmente, el tracker TLD ha demostrado buenos resultados combinando ambos esquemas. Sin embargo, el algoritmo de clasificación Nearest Neighbour utilizado en TLD tiene requerimientos altos en memoria y poder de cómputo. En este trabajo se exploran otros métodos de clasificación bajo el mismo esquema usado en TLD, de manera de mantener buen desempeño de tracking pero sin dichas limitaciones. Más específicamente, se utiliza un clasificador lineal junto con representaciones basadas en vectores de Fisher, cuyo uso de recursos es considerablemente menor a NN. Se compara experimentalmente el desempeño de tracking de este nuevo esquema con TLD original, validando el uso de este nuevo esquema para abordar el problema de tracking 2016-07-15T17:06:28Z 2016-07-15T17:06:28Z 2015-09 bachelorThesis http://hdl.handle.net/11086/2829 spa Atribución-CompartirIgual 2.5 Argentina http://creativecommons.org/licenses/by-sa/2.5/ar/ |
institution |
UNC AR |
collection |
DSpace |
country |
Argentina |
countrycode |
AR |
component |
Bibliográfico |
access |
En linea |
databasecode |
dig-unc-ar |
tag |
biblioteca |
region |
America del Sur |
libraryname |
Biblioteca 'Ing. Agrónomo Moisés Farber' de la Facultad de Ciencias Agropecuarias |
language |
spa |
topic |
Flujo óptico Flujo óptico |
spellingShingle |
Flujo óptico Flujo óptico Gaich, Facundo Técnicas mixtas de seguimiento y aprendizaje para tracking en secuencias de video |
description |
Dentro del campo de visión por computadora, el problema de tracking consiste en seguir la posición de un objeto en una secuencia de video. Este ha sido abordado de variadas maneras, principalmente con métodos basados en flujo óptico y, más recientemente, empleando técnicas de detección y aprendizaje automático. Particularmente, el tracker TLD ha demostrado buenos resultados combinando ambos esquemas. Sin embargo, el algoritmo de clasificación Nearest Neighbour utilizado en TLD tiene requerimientos altos en memoria y poder de cómputo. En este trabajo se exploran otros métodos de clasificación bajo el mismo esquema usado en TLD, de manera de mantener buen desempeño de tracking pero sin dichas limitaciones. Más específicamente, se utiliza un clasificador lineal junto con representaciones basadas en vectores de Fisher, cuyo uso de recursos es considerablemente menor a NN. Se compara experimentalmente el desempeño de tracking de este nuevo esquema con TLD original, validando el uso de este nuevo esquema para abordar el problema de tracking |
author2 |
Sánchez, Jorge Adrián |
author_facet |
Sánchez, Jorge Adrián Gaich, Facundo |
format |
bachelorThesis |
topic_facet |
Flujo óptico |
author |
Gaich, Facundo |
author_sort |
Gaich, Facundo |
title |
Técnicas mixtas de seguimiento y aprendizaje para tracking en secuencias de video |
title_short |
Técnicas mixtas de seguimiento y aprendizaje para tracking en secuencias de video |
title_full |
Técnicas mixtas de seguimiento y aprendizaje para tracking en secuencias de video |
title_fullStr |
Técnicas mixtas de seguimiento y aprendizaje para tracking en secuencias de video |
title_full_unstemmed |
Técnicas mixtas de seguimiento y aprendizaje para tracking en secuencias de video |
title_sort |
técnicas mixtas de seguimiento y aprendizaje para tracking en secuencias de video |
publishDate |
2015-09 |
url |
http://hdl.handle.net/11086/2829 |
work_keys_str_mv |
AT gaichfacundo tecnicasmixtasdeseguimientoyaprendizajeparatrackingensecuenciasdevideo |
_version_ |
1756008914044846080 |