针对现有的大部分多示例多标记(MIML)算法都没有考虑如何更好地表示对象特征这一问题,将概率潜在语义分析(PLSA)模型和神经网络(NN)相结合,提出了基于主题模型的多示例多标记学习方法。算法通过概率潜在语义分析模型学习到所有训练样本的潜在主题分布,该过程是一个特征学习的过程,用于学习到更好的特征表达,用学习到的每个样本的潜在主题分布作为输入来训练神经网络。当给定一个测试样本时,学习测试样本的潜在主题分布,将学习到的潜在主题分布输入到训练好的神经网络中,从而得到测试样本的标记集合。与两种经典的基于分解策略的多示例多标记算法相比,实验结果表明提出的新方法在现实世界中的两种多示例多标记学习任务中具有更优越的性能。

针对单一评判准则较难适应复杂环境下的目标跟踪问题,提出了一种基于双评判准则自适应融合的跟踪算法。在该算法中,空间直方图被用作目标表示模型,候选目标与目标模板之间的相似度、以及候选目标与其邻近背景区域之间的对比度被作为目标评判双准则,而目标函数(或似然函数)则由两个准则的加权融合而成。算法是在粒子滤波框架下实现的目标搜索,并采用了模糊逻辑对相似度和对比度的权值进行自适应调节。对人、动物等多个挑战性运动目标的跟踪结果表明,与增量学习跟踪、ι₁跟踪等最新跟踪器相比,所提算法在处理目标的遮挡、形变、旋转以及表观变化方面的综合性能更好,其成功率和平均重叠率指标分别在80%和0.76以上。