Symbiose Black Box Tracker Forex

Symbiose Black-Box Tracker Longfei Zhang verbunden mit School of Software, Beijing Institute of Technology School of Informatik, Carnegie Mellon University. Yue Gao mit der Schule für Informatik, Carnegie Mellon University Department of Automation, Tsinghua University verbunden. Alexander Hauptmann mit der Schule für Informatik, Carnegie Mellon University. Rongrong Ji mit dem Department of Electronic Engineering, Columbia University verbunden. Gangyi Ding verbunden mit School of Software, Beijing Institute of Technology. Boaz Super verbunden mit Motorola Senior Research Endgültige Bruttopreise können je nach örtlicher Mehrwertsteuer variieren. Viele Tracker wurden für die Verfolgung von Objekten einzeln in früheren Forschung vorgeschlagen. Allerdings ist es immer noch schwierig, jedem einzelnen Tracker über eine Vielzahl von Umständen zu vertrauen. Daher ist es wichtig zu schätzen, wie gut jeder Tracker die Tracking-Ergebnisse durchführt und fusioniert. In dieser Arbeit schlagen wir einen symbiotischen Black-Box-Tracker (SBB) vor, der nur aus der Ausgabe einzelner Tracker, die parallel laufen, ohne detaillierte Informationen über diese Tracker und wählt die beste, um das Tracking-Ergebnis zu generieren lernt. Alle Tracker werden als Black-Boxs betrachtet und SBB lernt das beste Kombinationsschema für alle vorhandenen Tracking-Ergebnisse. SBB schätzt Vertrauenswerte dieser Tracker. Der Vertrauenswert wird auf der Grundlage der Tracking-Performance jedes Tracker und der Konsistenzleistung bei verschiedenen Tracker geschätzt. SBB wird eingesetzt, um den besten Tracker mit dem maximalen Vertrauenswert zu wählen. Experimente und Vergleiche, die auf dem Caremedia-Datensatz und dem Caviar-Datensatz durchgeführt wurden, zeigen die Wirksamkeit der vorgeschlagenen Methode. Objekt-Tracking-Informationen Ausbreitungsdaten-Assoziation Multi-TrackerSymbiotic Black-Box Tracker Longfei Zhang Verbunden mit School of Software, Beijing Institute of Technology School of Informatik, Carnegie Mellon University. Yue Gao mit der Schule für Informatik, Carnegie Mellon University Department of Automation, Tsinghua University verbunden. Alexander Hauptmann mit der Schule für Informatik, Carnegie Mellon University. Rongrong Ji mit dem Department of Electronic Engineering, Columbia University verbunden. Gangyi Ding verbunden mit School of Software, Beijing Institute of Technology. Boaz Super verbunden mit Motorola Senior Research Endgültige Bruttopreise können je nach örtlicher Mehrwertsteuer variieren. Viele Tracker wurden für die Verfolgung von Objekten einzeln in früheren Forschung vorgeschlagen. Allerdings ist es immer noch schwierig, jedem einzelnen Tracker über eine Vielzahl von Umständen zu vertrauen. Daher ist es wichtig zu schätzen, wie gut jeder Tracker die Tracking-Ergebnisse durchführt und fusioniert. In dieser Arbeit schlagen wir einen symbiotischen Black-Box-Tracker (SBB) vor, der nur aus der Ausgabe einzelner Tracker, die parallel laufen, ohne detaillierte Informationen über diese Tracker und wählt die beste, um das Tracking-Ergebnis zu generieren lernt. Alle Tracker werden als Black-Boxs betrachtet und SBB lernt das beste Kombinationsschema für alle vorhandenen Tracking-Ergebnisse. SBB schätzt Vertrauenswerte dieser Tracker. Der Vertrauenswert wird auf der Grundlage der Tracking-Performance jedes Tracker und der Konsistenzleistung bei verschiedenen Tracker geschätzt. SBB wird eingesetzt, um den besten Tracker mit dem maximalen Vertrauenswert zu wählen. Experimente und Vergleiche, die auf dem Caremedia-Datensatz und dem Caviar-Datensatz durchgeführt wurden, zeigen die Wirksamkeit der vorgeschlagenen Methode. Objektverfolgungsinformation Ausbreitungsdatenverknüpfung Multi-Tracker