The overview of the tracking proced

The overview of the tracking procedures is illustrated in Fig. 1. We choose YOLO to collect rich and robust visual features, as well as preliminary location inferences; and we use LSTM in the next stage as it is spatially deep and appropriate for sequence processing. The proposed model is a deep neural network that takes as input raw video frames and returns the coordinates of a bounding box of an object being tracked in each frame. Mathematically, the proposed model factorizes the full tracking probability intowhere Bt and Xt are the location of an object and an input frame, respectively, at time t. B

結果 (繁體中文) 1:

的跟踪程序概述圖1所示。我們選擇YOLO收集豐富和強大的視覺特徵，以及初步的位置推斷。我們用LSTM在下一階段，因為它是深空間和適當的順序處理。該模型是一種深層神經網絡作為輸入原始視頻幀，並返回每個幀被跟踪的對象的邊界框的坐標。在數學上，所提出的模型因子分解完整的跟踪概率入
其中的Bt和XT是對象的分別的位置和輸入幀，在時間t。乙

結果 (繁體中文) 2:

跟蹤過程的概述如圖 1 所示。我們選擇YOLO來收集豐富和強大的視覺特徵，以及初步的位置推論;我們在下一階段使用 LSTM，因為它在空間上非常深，適合序列處理。建議的模型是一個深度神經網路，它作為輸入原始視頻幀，並返回每個幀中正在跟蹤的物件的邊界框的座標。在數學上，建議的模型將完整的跟蹤概率分解為
其中 Bt 和 Xt 分別是物件和輸入幀的位置，時間 t. B

結果 (繁體中文) 3:

圖1示出了跟踪過程的概述。我們選擇YOLO來收集豐富和健壯的視覺特徵，以及初步的位置推斷；我們在下一階段使用LSTM，因為它在空間上很深，適合於序列處理。該模型是一個深度神經網路，它以原始視頻幀為輸入，返回每個幀中被跟踪對象的邊界框的座標。在數學上，該模型將全跟踪概率分解為
其中B t和Xt分別是對象和輸入幀在時刻t.B的位置