Datasets:
alexanderpl
/
init3

Dataset card Data Studio Files
xet
 Community
1
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 ...
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 к...
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...
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 ка...
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 ...
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