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:摘要随着新课标的不断改革和深入,高中数学的教学水平也越来越高,大多数的高中数学老师敢于去尝试新的教学方法,以此来提高课堂的教学质量。高中数学相对于其他学科来说有它的特殊性,相对学生来说它的难度很大,而且内容抽象,这就需要学生通过大量的训练,才能够掌握数学的学习方法。在具体的教学训练过程中,老师发现一个很明显的问题就是学生对同一个知识点总是会重复的出错,怎样才能使学生很快的改正过来,从而提高学生的学习效率呢?老师可以通过变式训练的教学模式来训练学生,这种方法能够有效解决这一问题。本文就对高中数学解题中的变式训练做简单分析,并且研究变式训练在高中数学解题中的应用。