《表2 VOT-2016评价指标效果的视觉属性数据》
根据表2所示,该算法的CM评价指标如图3(A),该算法的性能为63.88%,同比ECO、CCOT分别为57.63%、55.26%,提高了6.25%、8.62%,主要是受益于引入了高斯混合模型,降低训练样本数据的同时减少了内存和时间复杂性.OCC评价指标如图2(B),算法的性能为49.29%,同比ECO、Staple、DSST分别为40.75%、43.7%和44.22%,提高了8.54%、5.59%、5.07%,能够取得较好的实验效果,主要受益于引入深度学习的多特征分辨能力,由于浅层具有较好的轮廓和深层能提取较高精度的特征,两者融合后更加准确定位目标,同时提高了目标的跟踪性能.另外,SC评价指标如图3(C)所示,算法的性能表现为65.33%,同比ECO、SRDCF分别为51.93%,47.81%,提高了13.4%、17.52%.MC性能评价表现为62.45%,同比ECO、Staple、SRDCF分别为49.99%、51.05%、48.77%,提高了12.46%、11.4%、13.68%,主要受益于高斯混合模型与深度特征两者结合的效果表现.
图表编号 | XD00123060300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.10 |
作者 | 欧丰林、林淑彬 |
绘制单位 | 漳州职业技术学院信息工程学院、闽南师范大学计算机学院 |
更多格式 | 高清、无水印(增值服务) |