Datasets:
alexanderpl
/
init2

Dataset card Data Studio Files
xet
 Community
id
int64
18
21.1k
created_at
timestamp[ns, tz=UTC]date
2026-02-23 07:30:20
2026-02-24 16:54:39
updated_at
timestamp[ns, tz=UTC]date
2026-02-23 08:08:14
2026-02-24 16:54:39
doc_name
stringclasses
1 value
input
stringlengths
11
9.24k
output
stringlengths
0
738
is_personal
bool
2 classes
is_sentence
bool
2 classes
is_corrected
bool
2 classes
7,407
2026-02-24T08:25:06.242000Z
2026-02-24T08:25:06.242000Z
Lec.
Комбинация корреляционных фильтров с нейросетевыми алгоритмами дает системе уникальные свойства:
false
true
false
7,406
2026-02-24T08:25:04.456000Z
2026-02-24T08:25:04.456000Z
Lec.
Главные преимущества предлагаемого решения заключаются в его повышенной устойчивости к сложным условиям работы
false
true
false
7,405
2026-02-24T08:25:02.704000Z
2026-02-24T08:25:02.704000Z
Lec.
Предложенный метод сознательно сочетает проверенные временем корреляционные фильтры с передовыми решениями на основе глубокого обучения, что позволяет преодолеть ключевые ограничения существующих систем
false
true
false
7,404
2026-02-24T08:25:00.835000Z
2026-02-24T08:25:00.835000Z
Lec.
На основе проведенного анализа современных методов детекции и трекинга объектов было принято решение сделать новый подход, который объединяет лучшие черты классических и нейросетевых технологий
false
true
false
7,403
2026-02-24T08:24:59.058000Z
2026-02-24T08:24:59.058000Z
Lec.
Самыми перспективными направлениями исследований являются исследования в области детекции и трекинга сосредоточены на нескольких перспективных направлениях: разработка эффективных трансформерных архитектур, применение нейросетевого сжатия для развертывания на мобильных устройствах, мультимодальные системы (объединение видео, лидара, радара), методы few-shot и self-supervised обучения, улучшение долгосрочного трекинга в сложных условиях [1], [31], [32]
false
true
false
7,402
2026-02-24T08:24:57.264000Z
2026-02-24T08:24:57.264000Z
Lec.
В области трекинга «joint detection-and-tracking» методы (FairMOT) демонстрируют лучшие результаты на сложных последовательностях с множественными окклюзиями, но требуют ресурсов для обучения
false
true
false
7,401
2026-02-24T08:24:55.493000Z
2026-02-24T08:24:55.493000Z
Lec.
Однопроходные детекторы (YOLO, SSD) обеспечивают работу в реальном времени, но уступают в некоторых сценариях по точности на сложных сценах
false
true
false
7,400
2026-02-24T08:24:53.728000Z
2026-02-24T08:24:53.728000Z
Lec.
Трансформерные архитектуры (DETR, Deformable DETR) показывают наилучшую точность, но требуют огромных вычислительных ресурсов
false
true
false
7,399
2026-02-24T08:24:52.173000Z
2026-02-24T08:24:52.173000Z
Lec.
На стандартных метриках (COCO, MOTChallenge) различные подходы демонстрируют разный баланс между точностью и скоростью
false
true
false
7,398
2026-02-24T08:24:50.613000Z
2026-02-24T08:24:50.613000Z
Lec.
Сравнение современных методов детекции и трекинга показывает, что не существует универсального решения, оптимального для всех сценариев
false
true
false
7,397
2026-02-24T08:24:48.803000Z
2026-02-24T08:24:48.803000Z
Lec.
Особенностью FairMOT является использование «anchor-free» детектора на основе CenterNet и механизма «multi-task learning» для совместной оптимизации всех компонентов
false
true
false
7,396
2026-02-24T08:24:47.047000Z
2026-02-24T08:24:47.047000Z
Lec.
FairMOT предсказывает центры объектов, их размеры и appearance embeddings одновременно, что обеспечивает лучшую согласованность между детекцией и трекингом
false
true
false
7,395
2026-02-24T08:24:45.206000Z
2026-02-24T08:24:45.206000Z
Lec.
Современные методы, такие как FairMOT, используют «joint detection-and-tracking» подход, где детекция и трекинг выполняются единой сетью
false
true
false
7,394
2026-02-24T08:24:43.567000Z
2026-02-24T08:24:43.567000Z
Lec.
DeepSORT вводит механизм каскадного сравнивания, который дает приоритет старым трекам, и алгоритм обработки неассоциированных детекций, что уменьшает количество ID-переключений
false
true
false
7,393
2026-02-24T08:24:41.722000Z
2026-02-24T08:24:41.722000Z
Lec.
Что позволило решать проблему повторной идентификации после окклюзий путем сравнения «appearance features»
false
true
false
7,392
2026-02-24T08:24:39.741000Z
2026-02-24T08:24:39.741000Z
Lec.
DeepSORT улучшил оригинальный SORT за счет добавления нейросетевого модуля для извлечения признаков внешнего вида объектов
false
true
false
7,391
2026-02-24T08:24:37.992000Z
2026-02-24T08:24:37.992000Z
Lec.
Хотя SORT демонстрирует высокую скорость работы, он хуже справляется с окклюзиями и повторными появлениями объектов
false
true
false
7,390
2026-02-24T08:24:36.476000Z
2026-02-24T08:24:36.476000Z
Lec.
SORT (Simple Online and Realtime Tracker) представляет собой классический пример первого подхода - он использует внешний детектор (обычно Faster R-CNN или YOLO) и простой, но эффективный pipeline трекинга, основанный на фильтре Калмана для предсказания положения объектов и венгерском алгоритме для их ассоциации между кадрами
false
true
false
7,389
2026-02-24T08:24:34.672000Z
2026-02-24T08:24:34.672000Z
Lec.
Методы трекинга (SORT, DeepSORT, FairMOT) В области трекинга объектов современные методы делятся на два основных класса: «detection-based tracking» (где детекция и трекинг выполняются отдельно) и «joint detection-and-tracking» (где обе задачи решаются совместно) [29], [30]
false
true
false
7,388
2026-02-24T08:24:32.867000Z
2026-02-24T08:24:32.867000Z
Lec.
Рисунок 8 – Архитектура DETR
false
true
false
7,387
2026-02-24T08:24:31.161000Z
2026-02-24T08:24:31.161000Z
Lec.
Хотя первоначальная версия DETR имела проблемы со сходимостью и детекцией мелких объектов, последующие модификации (Deformable DETR) устранили недостатки за счет введения механизма «deformable attention», который фокусируется на наборе ключевых точек вместо всего изображения
false
true
false
7,386
2026-02-24T08:24:29.381000Z
2026-02-24T08:24:29.381000Z
Lec.
Для сопоставления предсказаний с ground truth используется бипартитное matching и функция потерь Hungarian loss
false
true
false
7,385
2026-02-24T08:24:27.494000Z
2026-02-24T08:24:27.494000Z
Lec.
Архитектура DETR (Рисунок 8) состоит из CNN backbone для извлечения признаков, трансформерного энкодера-декодера для моделирования глобальных зависимостей и финального слоя предсказания, который непосредственно выдает набор объектов
false
true
false
7,384
2026-02-24T08:24:25.705000Z
2026-02-24T08:24:25.705000Z
Lec.
DETR (DEtection TRansformer) стал первым «end-to-end» детектором, который полностью отказался от традиционных компонентов типа anchor boxes и NMS (non-maximum suppression) [28]
false
true
false
7,383
2026-02-24T08:24:23.920000Z
2026-02-24T08:24:23.920000Z
Lec.
В качестве кульминации развития таких решений стало transformer-based детекторы (DETR, Deformable DETR)
false
true
false
7,382
2026-02-24T08:24:22.278000Z
2026-02-24T08:24:22.278000Z
Lec.
Важным преимуществом CenterNet стала его вычислительная эффективность, так как сеть фокусируется только на ключевых точках изображения - центрах объектов [27]
false
true
false
7,381
2026-02-24T08:24:20.523000Z
2026-02-24T08:24:20.523000Z
Lec.
Данное решение не только упрстило способ детекции, но и позволил единообразно обрабатывать различные типы объектов (2D боксы, 3D боксы, ключевые точки)
false
true
false
7,380
2026-02-24T08:24:18.949000Z
2026-02-24T08:24:18.949000Z
Lec.
Сеть предсказывает «heatmap» центров объектов, их размеры и локальные смещения
false
true
false
7,379
2026-02-24T08:24:17.058000Z
2026-02-24T08:24:17.058000Z
Lec.
CenterNet подход для детекции объектов в видеопотоке представляя объекты как отдельные точки - их центры
false
true
false
7,378
2026-02-24T08:24:15.497000Z
2026-02-24T08:24:15.497000Z
Lec.
Как показали авторы, FCOS превосходит «anchor-based» методы по точности детекции объектов, так как точно локализовал их центры
false
true
false
7,377
2026-02-24T08:24:13.733000Z
2026-02-24T08:24:13.733000Z
Lec.
Данное решение устранило необходимость вручную настраивать параметры «anchor boxes» (их количество, размеры и пропорции) и позволил эффективно детектировать объекты сложной формы
false
true
false
7,376
2026-02-24T08:24:11.942000Z
2026-02-24T08:24:11.942000Z
Lec.
FCOS (Fully Convolutional One-Stage) предложил формулировать задачу детекции как проблему пиксельной классификации - для каждой точки «feature map» сеть предсказывает, является ли она центром объекта, и если да, то соответствующие смещения до границ «bounding box» [26]
false
true
false
7,375
2026-02-24T08:24:10.077000Z
2026-02-24T08:24:10.077000Z
Lec.
Важным преимуществом SSD стала возможность достижения хорошего баланса между скоростью и точностью - на датасете VOC2007 метод показывал скорость 59 FPS при mAP 74.3%, что превосходило Faster R-CNN по скорости при сравнимой точности [25]. «Anchor-free» методы (FCOS, CenterNet) Следующим этапом эволюции методов детекции стал отказ от использования «anchor boxes», что привело к появлению anchor-free подходов
false
true
false
7,374
2026-02-24T08:24:08.073000Z
2026-02-24T08:24:08.073000Z
Lec.
В SSD применяется набор предопределенных «default boxes» (аналогичных anchor boxes в Faster R-CNN) на нескольких слоях сети, что позволяет эффективно детектировать как крупные, так и мелкие объекты
false
true
false
7,373
2026-02-24T08:24:06.303000Z
2026-02-24T08:24:06.303000Z
Lec.
SSD (Single Shot MultiBox Detector), появившийся в том же году, устранил многие недостатки YOLO за счет использования «feature maps» разных масштабов для детекции объектов различных размеров
false
true
false
7,372
2026-02-24T08:24:04.536000Z
2026-02-24T08:24:04.536000Z
Lec.
Такой подход позволял достичь скорости обработки 45 FPS (по сравнению с 7 FPS у Faster R-CNN), что делало его пригодным для работы в реальном времени, хотя и с некоторой потерей точности, особенно для небольших объектов
false
true
false
7,371
2026-02-24T08:24:02.754000Z
2026-02-24T08:24:02.754000Z
Lec.
Рисунок 7 – Демонстрация работы YOLO
false
true
false
7,370
2026-02-24T08:24:01.065000Z
2026-02-24T08:24:01.065000Z
Lec.
Основная идея данного метода YOLO заключалась в разделении изображения на S×S grid и предсказании для каждой ячейки B «bounding boxes», их «confidence scores» и распределения вероятностей по классам (Рисунок 7)
false
true
false
7,369
2026-02-24T08:23:59.202000Z
2026-02-24T08:23:59.202000Z
Lec.
Первым успешным представителем класса стал YOLO (You Only Look Once), предложенный Джозефом Редмоном в 2016 году [24], [25]
false
true
false
7,368
2026-02-24T08:23:57.474000Z
2026-02-24T08:23:57.474000Z
Lec.
Однопроходные детекторы (YOLO, SSD) Параллельно с развитием «region-based» подходов появилось альтернативное направление - однопроходные («single-shot») детекторы, которые отказались от этапа генерации регионов в пользу непосредственного предсказания «bounding boxes» и классов объектов за один проход сети
false
true
false
7,367
2026-02-24T08:23:55.676000Z
2026-02-24T08:23:55.676000Z
Lec.
Как показали авторы, такой подход позволяет генерировать высококачественные регионы-кандидаты практически без дополнительных вычислительных затрат, так как используется общий набор сверточных слоев для основной сети и RPN
false
true
false
7,366
2026-02-24T08:23:54.024000Z
2026-02-24T08:23:54.024000Z
Lec.
Сеть обучается предсказывать смещения и масштабирование «anchor boxes», а также вероятность наличия объекта
false
true
false
7,365
2026-02-24T08:23:52.074000Z
2026-02-24T08:23:52.074000Z
Lec.
RPN использует механизм «anchor boxes» - набор предопределенных bounding boxes разных размеров и пропорций, которые применяются в каждой точке «feature map»
false
true
false
7,364
2026-02-24T08:23:50.313000Z
2026-02-24T08:23:50.313000Z
Lec.
Революционное изменение позволило объединить все этапы детекции в единую «end-to-end» обучаемую систему [22]
false
true
false
7,363
2026-02-24T08:23:48.581000Z
2026-02-24T08:23:48.581000Z
Lec.
Network (RPN) - нейросетевая архитектура, генерирующая регионы-кандидаты непосредственно из «feature maps» основного сверточного блока
false
true
false
7,362
2026-02-24T08:23:46.665000Z
2026-02-24T08:23:46.665000Z
Lec.
Рисунок 6 – Сравнение различных R-CNN методов [23]
false
false
false
7,361
2026-02-24T08:23:44.702000Z
2026-02-24T08:23:44.702000Z
Lec.
Сравнение подходов показало многократный рост скорости (Рисунок 6) [23]
false
true
false
7,360
2026-02-24T08:23:42.734000Z
2026-02-24T08:23:42.734000Z
Lec.
Кульминацией развития направления стал Faster R-CNN, где была предложена Region Proposal
false
true
false
7,359
2026-02-24T08:23:40.989000Z
2026-02-24T08:23:40.989000Z
Lec.
Генерация регионов по-прежнему оставалась отдельным этапом, что ограничивало возможности end-to-end обучения
false
true
false
7,358
2026-02-24T08:23:39.208000Z
2026-02-24T08:23:39.208000Z
Lec.
Изменение сократило время обработки до 2.3 секунды на изображение при одновременном улучшении точности
false
true
false
7,357
2026-02-24T08:23:37.468000Z
2026-02-24T08:23:37.468000Z
Lec.
ROI pooling решал проблему разного размера регионов-кандидатов, преобразуя их в фиксированный размер для последующей классификации [22]
false
true
false
7,356
2026-02-24T08:23:35.709000Z
2026-02-24T08:23:35.709000Z
Lec.
Последующее развитие направления привело к созданию Fast R-CNN, где был предложен механизм ROI pooling, позволивший ускорить обработку за счет совместного вычисления признаков для всех регионов
false
true
false
7,355
2026-02-24T08:23:33.945000Z
2026-02-24T08:23:33.945000Z
Lec.
R-CNN имел несколько существенных недостатков, главным из которых была чрезвычайно высокая вычислительная сложность - обработка одного изображения занимала около 47 секунд на GPU, что делало метод непригодным для реального применения
false
true
false
7,354
2026-02-24T08:23:32.175000Z
2026-02-24T08:23:32.175000Z
Lec.
Подход показал впечатляющее для своего времени улучшение точности на 30% по метрике mAP на датасете PASCAL VOC 2012 по сравнению с предыдущими методами
false
true
false
7,353
2026-02-24T08:23:30.330000Z
2026-02-24T08:23:30.330000Z
Lec.
Рисунок 5 – архитектура R-CNN
false
true
false
7,352
2026-02-24T08:23:28.399000Z
2026-02-24T08:23:28.399000Z
Lec.
Оригинальная архитектура R-CNN, предложенная Гиршиком и соавторами в 2014 году, состояла из трех основных этапов: генерации регионов с помощью алгоритма Selective Search, извлечения признаков для каждого региона с использованием предобученной CNN (обычно AlexNet), и последующей классификации через SVM (Рисунок 5)
false
true
false
7,351
2026-02-24T08:23:26.497000Z
2026-02-24T08:23:26.497000Z
Lec.
Region-based методы (R-CNN, Fast R-CNN, Faster R-CNN) Семейство R-CNN методов стало первым успешным применением глубокого обучения для задач детекции объектов, пионерская работа [21]
false
true
false
7,350
2026-02-24T08:23:24.715000Z
2026-02-24T08:23:24.715000Z
Lec.
Настоящий прорыв произошел с появлением глубоких сверточных нейронных сетей, которые позволили автоматизировать процесс извлечения признаков и повысить точность детекции [20]
false
true
false
7,349
2026-02-24T08:23:22.856000Z
2026-02-24T08:23:22.856000Z
Lec.
Первые успешные попытки автоматической детекции объектов основывались на методах машинного обучения с ручным выделением признаков, таких как гистограммы ориентированных градиентов (HOG) в сочетании с классификаторами типа SVM, которые были описаны в работе ранее
false
true
false
7,348
2026-02-24T08:23:20.978000Z
2026-02-24T08:23:20.978000Z
Lec.
Переход прошел через несколько ключевых этапов развития, каждый из которых решал определенные ограничения предыдущих подходов
false
true
false
7,347
2026-02-24T08:23:19.231000Z
2026-02-24T08:23:19.231000Z
Lec.
Современные методы компьютерного зрения для задач детекции и трекинга объектов прошли эволюцию от классических алгоритмов обработки изображений к сложным нейросетевым архитектурам [19]
false
true
false
7,346
2026-02-24T08:23:17.450000Z
2026-02-24T08:23:17.450000Z
Lec.
Ограничения подготовили почву для революции глубокого обучения, которая началась в начале 2010-х годов
false
true
false
7,345
2026-02-24T08:23:15.724000Z
2026-02-24T08:23:15.724000Z
Lec.
Дополнительные проблемы включали неспособность автоматически извлекать иерархические представления и ограниченную адаптивность к радикальным изменениям внешнего вида объектов
false
true
false
7,344
2026-02-24T08:23:13.918000Z
2026-02-24T08:23:13.918000Z
Lec.
Несмотря на прогресс, методы машинного обучения первого поколения страдали от фундаментальных ограничений
false
true
false
7,343
2026-02-24T08:23:12.175000Z
2026-02-24T08:23:12.175000Z
Lec.
В задачах трекинга Random Forests проявляли себя при обработке нелинейных преобразований объекта, адаптации к изменению освещения и частичным окклюзиям
false
true
false
7,342
2026-02-24T08:23:10.601000Z
2026-02-24T08:23:10.601000Z
Lec.
Рисунок 4 – пример работы метода Random Forests
false
true
false
7,341
2026-02-24T08:23:08.694000Z
2026-02-24T08:23:08.694000Z
Lec.
Ключевым преимуществом было устойчивость к переобучению за счет ансамблирования множества деревьев, возможность обработки разнородных признаков, эффективную работу с высоко-размерными данными благодаря feature selection на уровне узлов (Рисунок 4)
false
true
false
7,340
2026-02-24T08:23:06.921000Z
2026-02-24T08:23:06.921000Z
Lec.
Альтернативный подход предложили в виде Random Forests [18]
false
true
false
7,339
2026-02-24T08:23:05.356000Z
2026-02-24T08:23:05.356000Z
Lec.
Оставались нерешенными проблемы дрейфа при длительном трекинге (особенно при частичных окклюзиях) и сильной зависимости от качества начальной детекции [17]
false
true
false
7,338
2026-02-24T08:23:03.770000Z
2026-02-24T08:23:03.770000Z
Lec.
В контексте трекинга метод позволял: адаптироваться к изменяющемуся внешнему виду объекта за счет онлайн-обучения, эффективно отфильтровывать фоновые регионы (негативные примеры), достигать высокой скорости работы благодаря каскадной архитектуре
false
true
false
7,337
2026-02-24T08:23:01.844000Z
2026-02-24T08:23:01.844000Z
Lec.
Известным применением AdaBoost стала работа [16], где авторы предложили каскадную архитектуру для детекции лиц, достигающую скорости обработки 15 кадров в секунду на процессоре 700 МГц - невероятный результат для того времени
false
true
false
7,336
2026-02-24T08:23:00.073000Z
2026-02-24T08:23:00.073000Z
Lec.
Параллельно с SVM широкое распространение получил алгоритм AdaBoost и его вариации (RealAdaBoost, GentleAdaBoost)
false
true
false
7,335
2026-02-24T08:22:58.311000Z
2026-02-24T08:22:58.311000Z
Lec.
При применении SVM к задачам трекинга быстро выявились серьезные ограничения: необходимость частого переобучения модели при изменении внешнего вида объекта (что требовало вычислительных ресурсов), чувствительность к дисбалансу классов при обновлении модели, отсутствие механизмов учета временной согласованности между кадрами
false
true
false
7,334
2026-02-24T08:22:56.476000Z
2026-02-24T08:22:56.476000Z
Lec.
Их метод достигал точности 89% на стандартном датасете MIT pedestrian database, что было существенным прорывом для того времени
false
true
false
7,333
2026-02-24T08:22:54.647000Z
2026-02-24T08:22:54.647000Z
Lec.
Переломным моментом стала работа [8], где была предложена комбинация гистограмм ориентированных градиентов (HOG) с SVM [15]
false
true
false
7,332
2026-02-24T08:22:52.808000Z
2026-02-24T08:22:52.808000Z
Lec.
Рисунок 3 – kernel trick
false
true
false
7,331
2026-02-24T08:22:51.051000Z
2026-02-24T08:22:51.051000Z
Lec.
SVM также использовал нелинейные функции для преобразования данных в другие по размерности пространства, что позволило использовать метод в компьютерном зрении
false
true
false
7,330
2026-02-24T08:22:49.296000Z
2026-02-24T08:22:49.296000Z
Lec.
В-третьих, возможность использования различных ядерных функций (гауссова, полиномиальная и др.) позволяла эффективно решать задачи нелинейного разделения классов (Рисунок 3)
false
true
false
7,329
2026-02-24T08:22:47.439000Z
2026-02-24T08:22:47.439000Z
Lec.
Во-вторых метод демонстрировал хорошие свойства обобщения даже при ограниченном количестве обучающих данных
false
true
false
7,328
2026-02-24T08:22:45.689000Z
2026-02-24T08:22:45.689000Z
Lec.
Во-первых, благодаря ядерному трюку (kernel trick) SVM способен эффективно работать в высокоразмерных пространствах признаков
false
true
false
7,327
2026-02-24T08:22:43.941000Z
2026-02-24T08:22:43.941000Z
Lec.
Его математический аппарат, основанный на максимизации зазора между классами [14], обеспечивал несколько ключевых преимуществ
false
true
false
7,326
2026-02-24T08:22:42.202000Z
2026-02-24T08:22:42.202000Z
Lec.
Метод опорных векторов (SVM) занял особое место среди первых успешных применений машинного обучения для задач детекции и трекинга
false
true
false
7,325
2026-02-24T08:22:40.449000Z
2026-02-24T08:22:40.449000Z
Lec.
Как отмечают Wu et al. в своем фундаментальном обзоре [13], «Этот период ознаменовал смену парадигмы от hand-crafted features к learned features в компьютерном зрении»
false
true
false
7,324
2026-02-24T08:22:38.619000Z
2026-02-24T08:22:38.619000Z
Lec.
Переход особенно ярко проявился в задаче трекинга объектов, где классические подходы, основанные на корреляционных фильтрах и оптических потоках, начали уступать место методам с обучаемыми классификаторами
false
true
false
7,323
2026-02-24T08:22:36.884000Z
2026-02-24T08:22:36.884000Z
Lec.
В начале 2000-х годов компьютерное зрение переживало период активного перехода от традиционных методов обработки изображений к алгоритмам машинного обучения
false
true
false
7,322
2026-02-24T08:22:35.127000Z
2026-02-24T08:22:35.127000Z
Lec.
Все нерешенные проблемы привели к переходу к методам машинного обучения, таким как SVM, AdaBoost и Random Forests, которые использовали обучаемые классификаторы для детекции и трекинга
false
true
false
7,321
2026-02-24T08:22:33.486000Z
2026-02-24T08:22:33.486000Z
Lec.
Также метод является довольно вычислительно затратным, что делает его непригодным для низко-производительных систем
false
true
false
7,320
2026-02-24T08:22:31.807000Z
2026-02-24T08:22:31.807000Z
Lec.
Основными же проблемами оптических потоков были такими же, как и в корреляционных фильтрах : чувствительность к шуму, неустойчивость к быстрым перемещениям объекта детекции и зависимость от текстуры и окклюзий
false
true
false
7,319
2026-02-24T08:22:30.032000Z
2026-02-24T08:22:30.032000Z
Lec.
Подход работал эффективно для медленных движений, но требовал наличия текстурированных областей для выделения устойчивых ключевых точек
false
true
false
7,318
2026-02-24T08:22:28.284000Z
2026-02-24T08:22:28.284000Z
Lec.
Метод Lucas-Kanade основывался на предположении, что движение пикселей в небольшом окне можно аппроксимировать аффинным преобразованием
false
true
false
7,317
2026-02-24T08:22:26.656000Z
2026-02-24T08:22:26.656000Z
Lec.
Классические алгоритмы, такие как Lucas-Kanade [12], использовали локальные градиенты для вычисления векторов перемещения
false
true
false
7,316
2026-02-24T08:22:25.064000Z
2026-02-24T08:22:25.064000Z
Lec.
Параллельно с корреляционными фильтрами развивались методы, основанные на оптических потоках, которые оценивали движение объектов по смещению ключевых точек между кадрами
false
true
false
7,315
2026-02-24T08:22:23.425000Z
2026-02-24T08:22:23.425000Z
Lec.
Корреляционные фильтры часто сочетались с другими методами, например фильтром оценки состояния Калмана [5],он предполагал линейную динамику и гауссов шум, что ограничивало его в сложных сценах
false
true
false
7,314
2026-02-24T08:22:21.656000Z
2026-02-24T08:22:21.656000Z
Lec.
Сравнение различных корреляционных фильтров представлено в работе [11]
false
true
false
7,313
2026-02-24T08:22:19.824000Z
2026-02-24T08:22:19.824000Z
Lec.
Несмотря на улучшении в качестве трекинга объектов на видеопотоке, корреляционные фильтры все еще оставались уязвимы к изменением освещения (резкие перепады яркости ухудшали качество трекинга), частичным окклюзиям (потеря объекта при перекрытии его другим элементом), быстрым движением (динамическое изменение положение объекта ухудшало качество работы, фильтр терял его)
false
true
false
7,312
2026-02-24T08:22:17.869000Z
2026-02-24T08:22:17.869000Z
Lec.
Рисунок 2 - Discriminative Scale Space Tracker [10]
false
true
false
7,311
2026-02-24T08:22:16.136000Z
2026-02-24T08:22:16.136000Z
Lec.
Механизм работы данного метода (Рисунок 2)
false
true
false
7,310
2026-02-24T08:22:13.939000Z
2026-02-24T08:22:13.939000Z
Lec.
Подробно метод описан в статье [10]
false
true
false
7,309
2026-02-24T08:22:12.429000Z
2026-02-24T08:22:12.429000Z
Lec.
Дальнейшие улучшения, такие как DSST (Discriminative Scale Space Tracker) [9], добавили адаптивное масштабирование, что позволило лучше обрабатывать изменения размера объекта
false
true
false
7,308
2026-02-24T08:22:10.686000Z
2026-02-24T08:22:10.686000Z
Lec.
KCF демонстрировал лучшую точность по сравнению с MOSSE, но по-прежнему страдал от дрейфа при длительных окклюзиях
false
true
false