基于逻辑shapelets转换的时间序列分类算法

时间序列shapelets是序列之中最具有辨别性的子序列.解决时间序列分类问题的有效途径之一是通过shapelets转换技术,将其发现与分类器的构建相分离,其主要优点是优化了shapelets的选择过程并能够灵活应用不同的分类策略.但此方法也存在不足,仅仅简单地应用这些shapelets而忽略它们之间的逻辑组合关系,有可能降低分类的效果;另外,离线式的发现shapelets的过程是相当耗时的.文中针对后一个问题,采用了一种基于智能缓存的计算重用技术,将发现shapelets的时间复杂度降低了一个数量级.在此基础上,作者提出了一种基于合取或析取的逻辑shapelets转换方法,并通过在多个经典的基准数据集上测试,表明了该方法能够在提升分类准确性的同时保持shapelets所具有的解释力.

融合显著性与运动信息的相关滤波跟踪算法

主流的目标跟踪算法以矩形模板的形式建立被跟踪物体的视觉表征,无法有效区分目标与背景像素,在背景复杂、目标非刚体形变、复杂运动等挑战性因素影响下容易出现模型偏移的问题,导致跟踪失败.与此同时,像素级的显著性信息与运动先验信息作为人类视觉系统有效区分目标与背景、识别运动物体的重要信号,并没有在主流目标跟踪算法中得到有效的集成利用.针对上述问题,提出目标的像素级概率性表征模型,并且建立与之对应的像素级目标概率推断方法,能够有效利用像素级的显著性与运动观测信息,实现与主流的相关滤波跟踪算法的融合;提出基于显著性的观测模型,通过背景先验与提出的背景距离模型,能够在背景复杂的情况下得到高辨识度的像素级图像观测;利用目标与相机运动的连续性来计算目标和背景的运动模式,并以此为基础建立基于运动估计的图像观测模型.实验结果表明,提出的目标表征模型与融合方法能够有效集成上述像素级图像观测信息,提出的跟踪方法总体跟踪精度优于多种当下最先进的跟踪器,对跟踪场景中的背景复杂、目标形变、平面内旋转等挑战性因素具有更好的鲁棒性.