Técnicas mixtas de seguimiento y aprendizaje para tracking en secuencias de video

Autores
Gaich, Facundo
Año de publicación
2015
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión publicada
Colaborador/a o director/a de tesis
Sánchez, Jorge Adrián
Descripción
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
Materia
Flujo óptico
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Repositorio
Repositorio Digital Universitario (UNC)
Institución
Universidad Nacional de Córdoba
OAI Identificador
oai:rdu.unc.edu.ar:11086/2829
Acceder
id RDUUNC_920f16f5f0ad148656ca4d51e7688479
oai_identifier_str oai:rdu.unc.edu.ar:11086/2829
network_acronym_str RDUUNC
repository_id_str 2572
network_name_str Repositorio Digital Universitario (UNC)
spelling Técnicas mixtas de seguimiento y aprendizaje para tracking en secuencias de videoGaich, FacundoFlujo ópticoDentro 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 trackingSánchez, Jorge Adrián2015-09info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttp://hdl.handle.net/11086/2829spainfo:eu-repo/semantics/openAccessreponame:Repositorio Digital Universitario (UNC)instname:Universidad Nacional de Córdobainstacron:UNC2026-02-26T11:42:53Zoai:rdu.unc.edu.ar:11086/2829Institucionalhttps://rdu.unc.edu.ar/Universidad públicaNo correspondehttp://rdu.unc.edu.ar/oai/snrdoca.unc@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:25722026-02-26 11:42:53.538Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdobafalse
dc.title.none.fl_str_mv Técnicas mixtas de seguimiento y aprendizaje para tracking en secuencias de video
title Técnicas mixtas de seguimiento y aprendizaje para tracking en secuencias de video
spellingShingle Técnicas mixtas de seguimiento y aprendizaje para tracking en secuencias de video
Gaich, Facundo
Flujo óptico
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
dc.creator.none.fl_str_mv Gaich, Facundo
author Gaich, Facundo
author_facet Gaich, Facundo
author_role author
dc.contributor.none.fl_str_mv Sánchez, Jorge Adrián
dc.subject.none.fl_str_mv Flujo óptico
topic Flujo óptico
dc.description.none.fl_txt_mv 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
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
publishDate 2015
dc.date.none.fl_str_mv 2015-09
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/11086/2829
url http://hdl.handle.net/11086/2829
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Digital Universitario (UNC)
instname:Universidad Nacional de Córdoba
instacron:UNC
reponame_str Repositorio Digital Universitario (UNC)
collection Repositorio Digital Universitario (UNC)
instname_str Universidad Nacional de Córdoba
instacron_str UNC
institution UNC
repository.name.fl_str_mv Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdoba
repository.mail.fl_str_mv oca.unc@gmail.com
_version_ 1858207633944608768
score 13.176822

Publicaciones similares