简介:多目标跟踪问题是计算机视觉领域的关键研究问题之一。现有的目标跟踪算法严重依赖于目标检测器的性能,如果目标检测器的虚警率或漏警率较高,数据关联将会失败,导致目标跟踪精度不足。为此,本文提出一种基于结构化学习策略的目标身份感知网络流量技术,可在目标检测和数据关联并行化框架下有效地实现多目标跟踪。文中首先通过结构化学习为每个对象训练一个模型,并将目标跟踪问题建模为拉格朗日松驰优化问题,然后提出一种目标身份感知网络流量(TINF)技术进行结构化学习的推理。在学习期间,通过搜索使目标身份感知网络流量代价函数最小化的一组轨迹,确定最被违反约束和序列在下个时间段的最优轨迹,推断出视频片断中所有目标的最佳位置。最后,利用多种高难度数据集进行仿真实验,结果表明本文方法的性能优于其他最新算法。
简介:摘要随着我国教育改革的不断深入,为了能够提高学生的学习主动性,让学生真正的参与到学习过程中,就需要我们的教师不断的对教学模式进行创新,从而使传统教学过程中存在的问题得到有效的解决。翻转课堂模式的应用,不仅能够将学生的主体地位进行明确,并且还能够改变传统教学中教师讲授的不足,真正的使教学结构进行改变,让学生学会自主学习,提高学生的学习兴趣。老师则主要负责引导学生对知识进行消化。本文针对翻转课堂模式在“食品微生物学”教学中应用进行探索,从而使学生对相应的理论知识及实际操作技术进行掌握,真正的为社会培养出现食品微生物学的高素质人才,提高人们对食品安全的认识。