Depth Masked Discriminative Correlation Filter
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F18%3A00327978" target="_blank" >RIV/68407700:21230/18:00327978 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1109/ICPR.2018.8546179" target="_blank" >http://dx.doi.org/10.1109/ICPR.2018.8546179</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/ICPR.2018.8546179" target="_blank" >10.1109/ICPR.2018.8546179</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Depth Masked Discriminative Correlation Filter
Popis výsledku v původním jazyce
Depth information provides a strong cue for occlusion detection and handling, but has been largely omitted in generic object tracking until recently due to lack of suitable benchmark datasets and applications. In this work, we propose a Depth Masked Discriminative Correlation Filter (DM-DCF) which adopts novel depth segmentation based occlusion detection that stops correlation filter updating and depth masking which adaptively adjusts the spatial support for correlation filter. In Princeton RGBD Tracking Benchmark, our DM-DCF is among the state-of-the-art in overall ranking and the winner on multiple categories. Moreover, since it is based on DCF, "DM-DCF" runs an order of magnitude faster than its competitors making it suitable for time constrained applications.
Název v anglickém jazyce
Depth Masked Discriminative Correlation Filter
Popis výsledku anglicky
Depth information provides a strong cue for occlusion detection and handling, but has been largely omitted in generic object tracking until recently due to lack of suitable benchmark datasets and applications. In this work, we propose a Depth Masked Discriminative Correlation Filter (DM-DCF) which adopts novel depth segmentation based occlusion detection that stops correlation filter updating and depth masking which adaptively adjusts the spatial support for correlation filter. In Princeton RGBD Tracking Benchmark, our DM-DCF is among the state-of-the-art in overall ranking and the winner on multiple categories. Moreover, since it is based on DCF, "DM-DCF" runs an order of magnitude faster than its competitors making it suitable for time constrained applications.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
<a href="/cs/project/GBP103%2F12%2FG084" target="_blank" >GBP103/12/G084: Centrum pro multi-modální interpretaci dat velkého rozsahu</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2018
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
2018 24rd International Conference on Pattern Recognition (ICPR)
ISBN
978-1-5386-3788-3
ISSN
—
e-ISSN
1051-4651
Počet stran výsledku
6
Strana od-do
2112-2117
Název nakladatele
IEEE
Místo vydání
Piscataway, NJ
Místo konání akce
Beijing
Datum konání akce
20. 8. 2018
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000455146802021