首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    学习用于视觉跟踪的深度紧凑图像表示

    在本文中,我们研究了跟踪可能非常复杂背景的视频中运动物体轨迹的挑战性问题。与大多数仅在线学习跟踪对象外观的现有跟踪器相比,我们采用不同的方法,受深度学习架构的最新进展的启发,更加强调(无监督)特征学习问题。具体来说,通过使用辅助自然图像,我们离线训练堆叠去噪自动编码器,以学习对变化更加鲁棒的通用图像特征。然后是从离线培训到在线跟踪过程的知识转移。在线跟踪涉及分类神经网络,该分类神经网络由训练的自动编码器的编码器部分构成,作为特征提取器和附加分类层。可以进一步调整特征提取器和分类器以适应移动物体的外观变化。与一些具有挑战性的基准视频序列的最先进的跟踪器进行比较表明,当我们的跟踪器的MATLAB实现与适度的图形处理一起使用时,我们的深度学习跟踪器更准确,同时保持低计算成本和实时性能单位(GPU)。

    05

    国内研究团队提出基于120个刺激编码视觉诱发电位的脑机接口

    近年来,大量关于脑机接口(BCI)的研究发表。然而,现有的大多数研究中刺激目标数量还不够多,不适合许多实际应用。来自中科院半导体研究所的Sun等人使用4个31-bits的金氏码(gold codes)编码刺激目标,每个随机码循环移位1位产生30个目标,提出了一种基于120个刺激编码视觉诱发电位的脑机接口。实验过程中,利用滤波器组对脑电信号进行预处理,采用TRCA算法对刺激目标进行检测。此外,还考虑了渐进式扫描的影响,以提高脑电模板的时间精度。根据离线实验结果选择最佳的金氏码组合,通过在线实验对BCI系统性能进行评估。验证了该系统同时具有指令集大(120个刺激目标)、效率高(平均ITR为265.74 bits/min)和训练时间短(小于5 min)的优点。

    02
    领券