基于增强RPN的孪生网络目标跟踪算法

目前孪生网络跟踪器已经具有比较良好的表现,但是对于卷积神经网络所提取的特征仍没有较好地利用其特点,同时孪生网络通过相似性学习进行跟踪的特性使跟踪器的准确性和鲁棒性存在不足。提出了一种金字塔式特征融合的方法,根据骨干网络特征提取层不同深度具有不同侧重的特点提高网络对目标的表征能力,然后使用注意力机制对区域推荐网络（Region Proposal Network,RPN）进行增强,最终实现更精准更鲁棒的跟踪。在OTB100数据集的实验中,新提出的SiamERPN(Siamese Enhanced RPN)算法分别得到了0.668的成功率和0.876的精度,测试结果好于基线算法和其他对比算法。     

结合孪生网络和Transformer的轻量级无人机目标跟踪算法

针对传统目标跟踪算法计算量大、跟踪精度低等问题,提出了一种结合孪生网络和Transformer的轻量级目标跟踪算法,能够有效应对无人机跟踪场景的各种挑战。首先,基于轻量级特征提取网络GhostNet设计模型的主干网络,提取目标的多尺度特征;随后,利用改进的Transformer结构搭建模型的多尺度特征融合层,充分融合目标的多尺度特征;最后,将改进的Transformer结构与孪生网络的互相关操作相结合,整合特征的全局与局部信息,实现对跟踪目标的精确定位。在UAV123、GOT-10k和LaSOT等数据集上的实验结果表明,所提算法跟踪性能优秀,跟踪速度达到87帧/s,在GPU和CPU平台上均实现了实时目标跟踪。     

基于孪生网络的轻量级高速跟踪算法

孪生网络跟踪算法将跟踪问题转换为相似性匹配问题引起广泛关注,然而,多数算法无法在移动端或算力不足的嵌入式设备上实现工程应用.为此,提出了一种基于孪生网络的轻量级高速跟踪算法.该算法以特征提取能力良好且参数量少的MobileNetV2作为主干网络,通过组卷积、Crop等操作进一步减少网络参数量,提高网络运行速率;通过在倒...     

基于孪生网络与注意力机制的目标跟踪方法

为了解决在目标跟踪过程中对目标跟踪不准确,导致目标跟踪丢失或漂移等情况。本文在此基础上提出基于孪生网络与注意力机制相结合的目标跟踪方法。将网络架构有原有的AlexNet网络更改为经过修改的ResNet50网络,并在网络结构中加入卷积模块注意力。该注意力机制从通道和空间两个维度计算特征图和注意力图。最后,在OTB100上对算法进行了评估,准确率比原算法有所提高。     

特征增强的Sparse Transformer目标跟踪算法

针对Transformer的自注意力机制计算量大、容易被背景分心,导致有效信息抓取不足,从而降低跟踪性能的问题,提出特征增强的Sparse Transformer目标跟踪算法。基于孪生网络骨干进行特征提取;特征增强模块利用多尺度特征图生成的上下文信息,增强目标局部特征;利用Sparse Transformer的最相关特性生成目标聚焦特征,并嵌入位置编码提升跟踪定位的精度。提出的跟踪模型以端到端的方式进行训练,在OTB100,VOT2018和LaSOT等5个数据集上进行了大量实验,实验结果表明所提算法取得了较好的跟踪性能,实时跟踪速度为34帧/s。     

基于多注意力图的孪生网络视觉目标跟踪

在视觉跟踪应用中,目标外观通常由包含目标的矩形区域来建模,这种矩形化边框的描述方式不可避免地引入了背景干扰,并随着场景变化导致跟踪关注点的模糊及歧义,进而产生跟踪漂移。针对以上问题,提出了一种基于多注意力图的孪生网络视觉目标跟踪算法。首先,建立了一种关注于前景目标区域特征表达的孪生网络。该网络通过构建梯度注意力图损失函数项来引导网络训练,提升网络区分目标和干扰背景的能力。此外,嵌入通道注意力和空间注意力进一步强化目标的特征表达,自动发掘有区分的特征表示。在多个公共数据集上的实验验证了提出算法的有效性,以及算法可完成实时的视觉目标跟踪。      

无人机目标跟踪综述

目标跟踪是计算机视觉领域中最热门的研究方向之一。近些年来,随着无人机控制和定位技术的成熟,无人机目标跟踪成为了研究的热点。文章首先介绍了传统的目标跟踪算法在无人机平台上的应用研究成果。在此基础上介绍了基于多特征融合的目标跟踪算法对无人机跟踪的准确率的影响。最后还介绍了基于深度学习的目标跟踪算法在无人机上的应用。其中,基于深度学习的目标跟踪算法的在无人机目标跟踪上的准确率是最高的,然而其实时性还有待提高。随着AI芯片的发展,这一问题也将迎刃而解。     

基于特征融合和注意力机制的目标分割跟踪算法

在当前的目标跟踪领域,现有的基于分割的算法没有充分利用目标的长距离依赖信息和各个特征层的不同特性,前背景判别能力不强,对目标的多尺度估计不足。针对此问题,提出了自适应特征融合模块和混合域注意力模块,以提高网络对目标的多尺度估计能力和对目标的前背景辨别能力,并将其集成到当前基于视频分割的算法中,提出了一种新的目标跟踪算法,在各大公开数据集上的实验结果证明其达到了领先水平。     

基于关键特征信息感知和在线自适应掩模的孪生网络目标跟踪

近年来,孪生网络在视觉目标跟踪的应用给跟踪器性能带来了极大的提升,可以同时兼顾准确率和实时性。然而,孪生网络跟踪器的准确率在很大程度上受到限制。为了解决上述问题,该文基于通道注意力机制,创新地提出了关键特征信息感知模块来增强网络模型的判别能力,使网络聚焦于目标的卷积特征变化;在此基础上,该文还提出了一种在线自适应掩模策略,根据在线学习到的互相关层输出状态,自适应掩模后续帧,以此来突出前景目标。在OTB100, GOT-10k数据集上进行实验验证,所提跟踪器在不影响实时性的前提下,准确率相较于基准有了显著提升,并且在遮挡、尺度变化以及背景杂乱等复杂场景下具有鲁棒的跟踪效果。     

引入全局上下文特征模块的DenseNet孪生网络目标跟踪

近年来,采用孪生网络提取深度特征的方法由于其较好的跟踪精度和速度,成为目标跟踪领域的研究热点之一,但传统的孪生网络并未提取目标较深层特征来保持泛化性能,并且大多数孪生网络只提取局部领域特征,这使得模型对于外观变化是非鲁棒和局部的.针对此,该文提出一种引入全局上下文特征模块的DenseNet孪生网络目标跟踪算法.该文创新性地将DenseNet网络作为孪生网络骨干,采用一种新的密集型特征重用连接网络设计方案,在构建更深层网络的同时减少了层之间的参数量,提高了算法的性能,此外,为应对目标跟踪过程中的外观变化,该文将全局上下文特征模块(GC-Model)嵌入孪生网络分支,提升算法跟踪精度.在VOT2017和OTB50数据集上的实验结果表明,与当前较为主流的算法相比,该文算法在跟踪精度和鲁棒性上有明显优势,在尺度变化、低分辨率、遮挡等情况下具有良好的跟踪效果,且达到实时跟踪要求.     

引入全局上下文特征模块的DenseNet孪生网络目标跟踪

近年来,采用孪生网络提取深度特征的方法由于其较好的跟踪精度和速度,成为目标跟踪领域的研究热点之一,但传统的孪生网络并未提取目标较深层特征来保持泛化性能,并且大多数孪生网络只提取局部领域特征,这使得模型对于外观变化是非鲁棒和局部的。针对此,该文提出一种引入全局上下文特征模块的DenseNet孪生网络目标跟踪算法。该文创新性地将DenseNet网络作为孪生网络骨干,采用一种新的密集型特征重用连接网络设计方案,在构建更深层网络的同时减少了层之间的参数量,提高了算法的性能,此外,为应对目标跟踪过程中的外观变化,该文将全局上下文特征模块(GC-Model)嵌入孪生网络分支,提升算法跟踪精度。在VOT2017和OTB50数据集上的实验结果表明,与当前较为主流的算法相比,该文算法在跟踪精度和鲁棒性上有明显优势,在尺度变化、低分辨率、遮挡等情况下具有良好的跟踪效果,且达到实时跟踪要求。

     

基于特征融合与通道感知的无人机红外目标跟踪算法

针对手工提取特征对红外目标不敏感,导致无法准确跟踪红外目标的问题,在全卷积孪生网络框架下,融合多层深度特征并结合通道感知提出了一种无人机红外目标跟踪算法。首先使用预训练网络提取目标深度特征,分别提取待跟踪目标的Conv4-1、Conv4-3、Conv5-2层特征,进而通过梯度计算选择对于目标活动和尺度变化较为敏感的特征通道参与后序的互相关操作,并通过计算模板图像和候选区域搜索图像之间的相似度获取目标响应图。最后利用平均峰值相关能量对跟踪结果进行评估并使用卡尔曼滤波对跟踪结果进行修正。在LSOTB-TIR红外目标跟踪数据集上进行了性能测试并与当前九种优秀的算法进行了对比,实验结果表明,本文算法跟踪成功率最高,能够有效应对红外目标跟踪中热交叉、干扰源等挑战,且具有较好的实时性。     

基于深度强化学习的无人机目标跟踪研究

基于目标跟踪任务,阐述运用深度学习为我方无人机训练跟踪策略,寻找最适于无人机对目标跟踪的深度学习算法,建立了目标跟踪模型,并运用四种算法进行训练,比较了在线训练的指标以及离线执行时的结果,从而在双决斗深度Q学习和近端策略优化中取得了最好的训练效果。     

基于非对称残差注意网络的目标跟踪算法

针对目标跟踪算法在运动目标中存在的背景干扰和鲁棒性问题,提出一种基于Siamese RPN++改进的非对称残差注意网络算法.通过在模板分支对应的网络中添加非对称残差注意力结构,从而提取出采样图像的共同特征,形成较为稳定的目标轮廓,解决了目标运动背景发生变化的问题;采用自适应权值更新的方法融合不同区域候选网络模块输出的特征,得到更为鲁棒性的尺度变化特征表达,解决了目标形变的问题.实验结果表明:提出的改进算法在具有挑战的跟踪测试视频上取得了良好的跟踪精度,且具有较好的鲁棒性,能够较好地应对运动背景变化、尺度变化等问题.       

运动约束下结合区域提议网络的无人机孪生网络跟踪方法

光电探测设备是反无人机系统的重要组成部分,对无人机的图像确认取证有重要作用。目标跟踪是光电探测设备的核心技术。无人机目标体积小、背景环境复杂,因此无人机目标跟踪是一个具有挑战性的问题。此外,现有的无人机跟踪数据集在目标大小和属性分布特征方面存在局限性,不能完全代表复杂的真实场景。针对以上问题,本文提出了一种运动约束下结合区域提议网络的无人机孪生网络跟踪方法。首先,在基于孪生网络的无人机跟踪方法的基础上,本文对权重初始化策略进行优化,提高了模型训练的稳定性和准确性。其次,针对无人机跟踪过程中的虚警和漏检问题,本文提出了一种融合目标置信度阈值与运动约束条件的动态自适应过滤策略,通过设定多级置信度门限,动态调整检测逻辑,提高无人机跟踪方法的场景自适应能力。最后,本文提出一种高低频自适应图像增强策略,解决部分场景中无人机细节信息缺失以及亮度分布不均匀的问题,提高了跟踪方法在低对比度场景和高动态范围图像中的性能。为了更全面地验证所提出的跟踪方法的性能,本文对Anti-UAV410标准数据集进行了扩充,构建了更具挑战性、泛化性能更强的Anti-UAV500数据集。实验结果表明,本文提出的SiamXC模型在Anti-UAV410数据集上相较SiamDT模型性能提升1.28%,并在自制数据集上相较现有的SOTA跟踪方法均有显著的性能提升。     

基于航迹点控制的无人机目标跟踪算法

由于运动速度的差异性,固定翼无人机跟踪机动目标时,需要规划特殊的航迹才能达到较好的跟踪效果。根据无人机的机动特性对系统进行了建模,设计了基于航迹点控制的固定翼无人机目标跟踪算法,并对该算法的性能进行了仿真,仿真结果表明该算法实时性强,当目标进行各种运动时都能有效保证无人机目标跟踪的可靠性。     

基于卡尔曼滤波的SiamRPN目标跟踪方法

基于深度学习的视觉跟踪方法在多个基准数据库上取得了很好的跟踪性能,特别是基于Siamese框架的目标跟踪方法取得了突破性的进展.为了提高跟踪效果,有效解决跟踪过程中干扰和遮挡问题,本文提出了一种基于卡尔曼滤波的SiamRPN(Siamese+RPN)目标跟踪方法.首先,利用训练好的SiamRPN跟踪算法和卡尔曼滤波跟踪...     

基于ShuffleNet轻量化孪生网络的目标跟踪算法

本文针对基于深度学习的目标跟踪算法用于特定场景如移动端、嵌入式等设备,在设备算力相对不足的前提下,仍要保证跟踪器达到良好的跟踪精度和高速实时跟踪问题,提出一种轻量化跟踪算法,并用OTB2015数据集验证其速度和精度。本文基于SiamFC算法,选择可在移动端使用的网络ShuffleNet作为核心网络,针对原网络的不足提出消除padding层影响、步长修改、激活函数修改、控制感受野四点优化,使得核心网络适用于跟踪任务,并在训练引入Focal损失,提高网络训练效果。对比当前主流算法SiamFC,本文算法模型大小仅有56kb;在OTB2015数据集上仿真实验表明跟踪精度达到0.634,算法能更好地应对跟踪任务中硬件受限的挑战;平均速度较原始算法提升313%,达到高帧率实时跟踪。