基于二阶池化特征融合的孪生网络目标跟踪算法

为提升基于孪生网络目标跟踪算法的特征表达能力,获得更好的跟踪性能,提出了一种轻量级的基于二阶池化特征融合的孪生网络目标跟踪算法。首先,使用孪生网络结构获取目标的深度特征;然后,在孪生网络结构的末端并行添加二阶池化网络和轻量级通道注意力,以获取目标的二阶池化特征和通道注意力特征;最后,将目标的深度特征、二阶池化特征和通道注意力特征进行融合,使用融合后的特征进行互相关操作,得到地响应图能很好地区分目标和背景,提高跟踪模型的判别能力,改善目标定位的精度,从而提升跟踪性能。所提算法使用Got 10k数据集进行端到端的训练,并在数据集OTB100和VOT2018上进行验证。实验结果表明,所提算法与基准算法相比,跟踪性能取得了显著提升：在OTB100数据集上,精确度和成功率分别提高了7.5%和5.2%;在VOT2018数据集上,预期平均重叠率(EAO)提高了4.3%。     

孪生网络融合卡尔曼滤波的目标跟踪研究

目标跟踪是机器视觉领域的经典问题,在军事目标跟踪和视频监控等领域都有着重要应用。孪生网络是当前相关问题研究的主流框架。本文在SiamRPN孪生网络基础上进行了改进,引入残差网络以减轻特征学习中过拟合问题,同时在网络中注入空洞空间卷积模块,并增加全局语境信息的获取能力以扩大感受野;其后融入卡尔曼滤波以改善目标受到各种干扰时追踪位置失真问题;最后通过实验设计,从定性和定量两个角度显示,面对运动模糊、光照变化、遮挡等复杂情况下所跟踪目标出现漂移或者丢失等问题,本文所设计方法都具有较好的跟踪效果。     

基于孪生网络的目标跟踪研究综述

近年来,基于孪生网络的目标跟踪算法由于在跟踪精度和跟踪效率之间能够实现良好的平衡而备受关注。通过对基于孪生网络的目标跟踪算法的文献进行归纳,对现有孪生网络目标跟踪算法进行了全面总结,对孪生网络的2个分支结构进行了讨论。首先,介绍了基于孪生网络目标跟踪的基本架构,重点分析了孪生网络中主干网络的优化,以及主干网络的目标特征提取问题。其次,对目标跟踪过程中的分类和回归2个任务展开讨论,将其分为有锚框和无锚框2大类来进行分析研究,通过实验对比,分析了算法的优缺点及其目标跟踪性能。最后,提出未来的研究重点:1)探索背景信息训练,实现场景中背景信息传播,充分利用背景信息实现目标定位。2)目标跟踪过程中,目标特征信息的更加丰富化和目标跟踪框的自适应变化。3)从帧与帧之间全局信息传播,到目标局部信息传播的研究,为准确定位跟踪目标提供支撑。     

基于多分支注意力孪生网络的目标跟踪算法

目标跟踪在计算机视觉任务中有重要的意义。近年来随着深度学习的发展,基于孪生网络的目标跟踪算法因其优异的性能而被广泛应用。然而,现有基于孪生网络的跟踪算法在目标发生较大形变、低分辨率、复杂背景等情况下的跟踪性能通常会显著下降。为此,文中提出了一种基于多分支注意力孪生网络的目标跟踪算法。该算法首先构建了超分辨率模块和数据增强模块,分别对目标模板进行超分辨率和数据增强,提升目标模板的特征表征能力;然后利用3个主干网络分别提取原始目标模板、超分辨率目标模板和数据增强目标模板的特征,并进行特征融合,同时在主干网络中应用了通道注意力模块和空间注意力模块,以提升特征提取能力;最后,将融合后的特征图与待搜索区域的特征图输入区域生成网络模块,得到目标跟踪信息。实验结果表明,该算法在OTB100数据集上的精确率为0.919、成功率为0.707,在VOT2018数据集上的准确率为0.642、鲁棒性为0.149,在实际场景中的运行速度每秒至少20次,说明该算法具有优异的跟踪性能,并且在各种复杂场景下都具有良好的鲁棒性。     

基于孪生网络的目标跟踪算法研究进展

目标跟踪是计算机视觉领域中最为核心的基础研究问题之一,其能够协同高层视频应用分析和研究,具有重要的理论价值、广泛的实用价值和多学科交叉性,成为学术界、工业界以及国家战略的关注焦点。由于跟踪场景复杂度高、干扰强,目标表观变化多样性以及多模态信息融合等因素,使得跟踪器需要均衡鲁棒性、准确性以及实时性等性能衡量指标。目前,已有很多工作从不同视角解决目标跟踪领域中的挑战,但是在多维度性能指标的衡量下,仍然不能很好地克服复杂场景下的跟踪问题。本文通过基于孪生网络的目标跟踪算法,回顾领域发展现状,探讨存在的挑战,展望未来值得关注的研究方向,为该领域未来的研究工作提供借鉴和参考。     

基于无锚的轻量化孪生网络目标跟踪算法

针对运算资源受限条件下难以实现高精度、高帧率跟踪的问题,提出一种基于无锚的轻量化孪生网络目标跟踪算法.首先使用修改的轻量级网络MobileNetV3作为主干网络提取特征,在保持深度特征表达能力的同时减小网络的参数量和计算量;然后对传统互相关操作,提出图级联优化的深度互相关模块,通过丰富特征响应图突出目标特征重要信息;最后在无锚分类回归预测网络中,采用特征共享方式减少参数量和计算量以提升跟踪速度.在两个主流数据集OTB2015和VOT2018上进行对比实验,实验结果表明,该算法相比于SiamFC跟踪器有较大的精度优势,并且在复杂跟踪场景下更具鲁棒性,同时跟踪帧率可达175帧/s.     

基于模板更新的深层孪生网络跟踪算法

针对跟踪过程中因尺度变化、遮挡及运动模糊等造成的目标定位不准确问题,在SiamFC(fully-convolutional siamese network)的跟踪框架基础上提出了一种具有高置信度模板更新机制的深层孪生网络目标跟踪算法.首先,主干网络采用ResNet-50残差网络进行特征提取,并融合多层特征图进行目标预测;其次,为避免模板频繁更新带来的模板漂移问题,构建了高置信度的模板更新模块.在OTB100数据集上的实验结果表明,相比基准算法,文中算法的跟踪成功率和精确度分别提高了3.4%和2.6%;在多种挑战因素下的对比实验表明,文中算法可以较好地抵抗目标遮挡、尺度变化、运动模糊等多种复杂因素带来的影响,有很好的鲁棒性.     

生成式与判别式视觉目标跟踪算法综述

视觉目标跟踪是对目标位置、速度、运动轨迹等信息检测与预测技术。该技术融合了计算机视觉、图像处理、深度学习等众多领域技术。本文将对目标跟踪算法发展情况以及研究现状进行梳理。首先介绍目前常用的基准数据集;其次指出生成式算法与判别式算法差异;再对传统的生成式算法进行简单的分析总结;随后围绕算法框架分别介绍相关滤波框架、深度学习框架、孪生网络框架、Transformer框架的判别式算法并分析不同算法的优缺点;最后分析目前动态目标跟踪存在的问题并展望。     

一种基于孪生网络的图片匹配算法

随着卷积神经网络（Convolutional Neural Networks,CNN）的不断改进,基于CNN的图片匹配成为图像处理的关键,然而,许多基于CNN的图像相似度检测算法对图像特征的表达能力较差,且曼哈顿距离或欧式距离的计算方式导致在计算损失函数时模型不一定能很好地收敛.针对此问题,提出一种基于孪生网络和注意力机制的方法（CSNET）来提升图像匹配的性能,主要步骤如下：使用将激活函数改进为Mish函数的VGG16网络作为主干网络提取图像的特征,在模型的卷积层加入注意力机制模块（Convolutional Block Attention Module,CBAM）,这提高了模型的特征提取能力和鲁棒性,保证训练可以收敛.对模型输入图片对的特征向量的欧氏距离,再利用网络全连接层输出的相似度分数来度量被检图片是否相似.将提出的CSNET与其他图片匹配方法在Omniglot和SigComp2011等数据集上进行比较,实验结果表明,CSNET能有效提高图像相似度匹配的准确性.     

孪生压缩激励全卷积网络的目标跟踪方法

为提升目标跟踪的准确性并保证其实时性,提出一种基于改进孪生全卷积网络的新方法——孪生压缩激励全卷积网络(siamese squeeze and excitation fully convolutional networks,Siam-SEFC).Siam-SEFC通过添加具有少量参数的压缩激励网络结构融合空间通道信息,...     

基于并行空频注意力引导的任务感知目标跟踪算法

现有孪生网络目标跟踪器已表现出不错的性能,但对于复杂场景中存在的相似目标误检以及包围框偏移等问题,表现却仍不尽如人意。针对此问题,文中提出了一种新的两阶段孪生目标跟踪算法,该算法由目标提议阶段与任务感知验证阶段组成。第一阶段结合并行空频注意力模块,充分挖掘目标图像的表观特征,增强目标的抗相似物体干扰能力,提高鲁棒性。第二阶段针对检测任务中分类回归任务的差异,对目标分类和位置回归进行任务感知验证,分别获得适用于分类和回归的精准候选框,得到候选目标的识别得分及位置精调。此外,针对训练与测试任务中分类回归计算冲突问题,以及分类回归任务对于正负样本计算存在数量、对象偏差问题,采用GFocal Loss对损失函数进行优化以解决以上问题。实验证明,文中算法在有效性、可靠性以及预期平均重叠率上获得了较大的性能提升,并满足实时跟踪要求。     

显著性能量目标跟踪轨迹修正算法

针对SiamMask在目标跟踪过程中,图像序列中出现运动模糊时跟踪机制无法捕获特征点而导致的跟踪漂移问题,提出一种显著性能量目标跟踪轨迹修正算法。该算法通过显著性能量特征判定是否发生跟踪漂移,利用轨迹预测算法修正发生漂移时的跟踪结果,解决运动模糊条件下跟踪漂移问题,进一步提高SiamMask算法跟踪精度。分别在OTB50和VOT2018数据集进行仿真测试,仿真结果表明该算法较SiamMask算法跟踪精度提高0.2%,有效修正跟踪漂移时的目标位置,适用于智能监控和自主驾驶系统等。     

无线传感器网络中的目标跟踪算法

在综合分析大量文献和最新研究结果的基础上,探讨无线传感器网络目标定位和跟踪算法的性能评价标准和分类方法,着重研究近年来该领域具有代表性的算法和特点,给出了比较结果及相应分析,并指出进一步的研究方向。     

注意力叠加与时序特征融合的目标检测方法

提出一种基于注意力叠加与时序特征融合的目标检测方法.在端到端目标检测(DETR)网络的基础上,依据注意力机制特性,使用注意力权重叠加的方式提取目标物像素级标识,用于实例轨迹的划分.为使目标检测与轨迹跟踪协同作用,通过时序特征融合的方式融合之前轨迹跟踪信息,调整当前帧目标检测效果,从而充分利用视频载体提供的时间维度信息.在公开数据集上,对文中方法进行验证,结果表明：文中方法能有效识别被遮挡的目标物,具有较强鲁棒性.     

基于注意力机制的水下目标检测算法

针对传统水下目标检测算法识别精度低的问题,提出一种基于注意力机制的水下目标检测算法(feature refinement and attention mechanism network,FRANet).该算法采用特征融合模块和特征增强模块相结合的方式,使用卷积神经网络提取目标的多尺度特征.同时引入一种由锚框精化模块、空...     

基于多尺度模态融合的RGB-T目标跟踪网络

可见光-热红外(RGB-T)目标跟踪因受光照条件限制较小受到关注。针对不同尺度特征的分辨率与语义信息存在差异、可见光与热红外两种模态信息不一致的特点,以及现有网络在多模态融合策略上的不足,提出一种RGB-T目标跟踪网络。网络采用孪生结构,首先将主干特征提取网络输出的模板图像特征与搜索图像特征从单尺度拓展到多尺度,并对可见光与热红外模态在不同尺度上分别进行模态融合,然后将得到的融合特征通过注意力机制增强特征表示,最后通过区域建议网络得到预测结果。在GTOT与RGBT-234两个公开RGB-T数据集上的实验结果表明,该网络跟踪精度和成功率较高,可以应对复杂的跟踪场景,相比于其他网络具有更高的跟踪性能。     

基于多特征融合的目标跟踪算法

针对单一特征的目标跟踪算法鲁棒性较差的情况,利用目标的多种观测信息通过D-S证据理论进行融合跟踪.在粒子滤波的总体框架下,嵌入Mean-Shift算法产生更加逼近真实后验分布的粒子,同时采用颜色和运动边缘特征作为观测模型,有效地避免了单一颜色特征在光照突变、姿态变化以及背景相似情况下的跟踪稳定性较差的问题.实验表明,该...     

无线传感器网络中基于粒子滤波的目标跟踪算法研究

近几十年来,随着传感器、无线通信、信息处理、计算机等相关技术的不断发展和创新,基于无线传感器网络的应用越来越广泛,对无线传感器网络中的目标跟踪算法进行研究也具有极大的现实意义。在研究滤波算法的基础上,针对粒子滤波算法中的粒子退化问题,考虑无迹粒子滤波中的重要性函数充分利用了当前观测值但是运行时间长的问题,提出一种在有效粒子数满足一定条件下进行无迹变换的方法,将先验分布和通过无迹卡尔曼方法得到的重要性函数相结合作为新的提议分布以减缓粒子的退化。对于粒子滤波中的样本贫化问题,提出一种改进的分类重采样方法,当粒子的多样性不足时,在大权值粒子上加一个以噪声方差控制的扰动并给予小权值粒子一定的被选概率,以此增加粒子的多样性,并以C++为仿真工具对所提方法进行了试验。结果表明,改进的粒子滤波算法在估计精度上优于标准粒子滤波和无迹粒子滤波,而且运行时间比无迹粒子滤波减小一半多。