MARC

 008250123s2024        us                              c    eng  d
■001000017162943
■00520250211152115
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384345046
■035    ▼a(MiAaPQ)AAI31460282
■035    ▼a(MiAaPQ)Stanfordgw611hn7687
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a001
■1001  ▼aZhang,  Miao.
■24510▼aLong-term  Vision-Based  Autonomous  Underwater  Target  Tracking
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a141  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Rock,  Stephen.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aThis  thesis  introduces  T-STORE  (a  long-term  tracker  with  dynamic  DCF  Template  STORE(-age)  for  target  recovery),  an  algorithm  designed  to  enable  long-duration  vision-based  tracking  of  highly  deformable  ocean  midwater  animals  using  autonomous  underwater  vehicles.Current  midwater  tracking  practices  typically  employ  stereo  blob  tracking  algorithms  to  accomplish  this  task.  These  systems  have  proven  to  be  highly  effective  when  the  target  animal  remains  within  the  camera's  field-of-view,  achieving  tracking  durations  of  multiple  hours.  These  systems  fail,  however,  when  disruptions  occur,  such  as  the  target  temporarily  moving  out  of  view  or  being  occluded  by  other  objects.  As  a  result,  they  are  unsuited  for  applications  requiring  tracking  durations  greater  than  24  hours.  Addressing  the  challenge  of  target  re-identification  post-disruptions  is  essential  for  extending  tracking  durations.T-STORE  presents  a  solution  to  the  target  re-identification  problem  by  fusing  the  stereo  blob  tracking  system  with  a  visual  template-based  learning  system  built  on  a  pool  of  online-acquired  Discriminative  Correlation  Filer  (DCF)  templates.  Instead  of  employing  an  offline-trained  Convolutional  Neural  Network  (CNN)  detector,  T-STORE  utilizes  an  online  template-based  learning  approach  to  address  the  scarcity  of  large-scale  data  on  midwater  targets  and  to  enable  the  tracking  of  previously  unseen  targets-of-opportunity.T-STORE  is  the  first  to  integrate  stereo  blob  tracking  with  Discriminative  Correlation  Filters  (DCFs).  It  introduces  a  novel  target  re-identification  pipeline,  leveraging  a  unique  template  matching  metric  and  exploiting  target  information  collected  during  online  learning.  Additionally,  T-STORE  introduces  a  set  of  lightweight  deep  features  optimized  for  DCF-based  template  matching,  ensuring  adaptability  to  appearance  changes  and  reducing  the  required  number  of  templates,  which  in  turn  enhances  suitability  for  real-time  applications.The  performance  of  T-STORE  is  demonstrated  using  field  data  containing  challenging  tracking  conditions  that  lead  to  failures  in  the  stereo  blob  tracking  algorithm.  The  experiments  include  a  comparison  with  FuCoLoT  (a  Fully  Correlational  Long-Term  Tracker),  an  accepted  leader  in  DCF  template-based  tracking  algorithms.  T-STORE  outperformed  FuCoLoT  in  both  standard  tracking  metrics  and  target  recovery  performance.  Specifically,  T-STORE  exhibited  a  target  recovery  success  rate  exceeding  80%,  double  that  of  FuCoLoT,  along  with  an  overall  F-score  of  over  0.8,  indicating  its  promising  potential  for  achieving  the  long  duration  tracking  goal.
■590    ▼aSchool  code:  0212.
■650  4▼aVisualization
■650  4▼aDecision  making
■650  4▼aAutonomous  underwater  vehicles
■650  4▼aNaval  engineering
■650  4▼aAerospace  engineering
■690    ▼a0468
■690    ▼a0538
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162943▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books