可见光与红外融合目标跟踪技术研究进展综述

目标跟踪是计算机视觉领域中的一个重要的问题,自从被提出以来逐渐发展出了不同类型的技术方法。由于可见光与红外光在目标跟踪方面存在互补性,两者融合的目标跟踪技术在性能和鲁棒性上比传统目标跟踪方法更具有优势。近年来,人工智能技术的发展推动了可见光与红外融合目标跟踪技术的快速进步。面向可见光与红外融合目标跟踪技术的发展历程,首先针对可见光与红外融合领域经典方法和近年来出现的技术进行梳理和总结,特别是对近两年的研究进展进行了归纳整理,具体包括基于Transformer、基于注意力机制、基于时间序列、自适应融合和基于多模态编解码器的可见光与红外融合目标跟踪方法;然后介绍了可见光与红外融合数据集及目标跟踪的评价指标;最后对未来的发展方向作了展望。     

基于三维注意力机制的车辆重识别算法

为解决套牌车识别难度大的问题,通过深度学习的技术,基于ResNet-50,结合通道注意力机制和位置注意力机制,设计了一种三维注意力机制对近似车辆进行精确识别;解决了当前大部分注意力算法都关注于一维的通道注意力和二维的位置注意力,而处理的图像数据是三维的,不能将注意力集中在所有需要关注的区域,造成部分关键信息遗失的问题;该三维注意力机制在多种视觉任务下均有很好的效果,在Cifar100数据集上,相比SENet有1.12%的提升,在PKU VehicleID数据集上,相比SENet平均有2%的提升。