CN113129337A - 背景感知跟踪方法、计算机可读存储介质及计算机设备 - Google Patents
背景感知跟踪方法、计算机可读存储介质及计算机设备 Download PDFInfo
- Publication number
- CN113129337A CN113129337A CN202110400856.8A CN202110400856A CN113129337A CN 113129337 A CN113129337 A CN 113129337A CN 202110400856 A CN202110400856 A CN 202110400856A CN 113129337 A CN113129337 A CN 113129337A
- Authority
- CN
- China
- Prior art keywords
- target
- filter
- sample
- training
- background
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/262—Analysis of motion using transform domain methods, e.g. Fourier domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于计算机视觉跟踪领域,提供了背景感知跟踪方法、计算机可读存储介质及计算机设备,包括:构建背景感知模型,从背景感知模型中提取真实样本用于训练滤波器,所述真实样本指从测试视频中实时提取的目标信息和背景信息;从测试视频之外的视频数据集中以参考目标为条件来搜索目标对象,挖掘包括与目标相关度高于预设阈值的图像作为困难样本,重新根据所述困难样本训练并更新滤波器;通过更新后的滤波器更新DCFNet框架的输出,实现对目标的在线跟踪。解决了由傅里叶频域卷积带来的边界效应问题,增强了跟踪的鲁棒性。
Description
技术领域
本发明属于计算机视觉跟踪领域,尤其涉及一种背景感知跟踪方法、计算机可读存储介质及计算机设备。
背景技术
基于判别式相关滤波的方法现在已经成为在线目标跟踪的一种主要方法。DCFNet是一个端到端的轻量级网络架构,学习卷积特征并同时执行相关跟踪过程。具体来说,DCFNet将DCF视为一个添加在Siamese网络中的特殊相关滤波器层,并通过将网络输出定义为对象位置的概率热图来导出通过它的反向传播。由于推导仍在傅里叶频域中进行,因此保持了离散余弦变换的效率特性,速度更快,效率更高。虽然跟踪速度可以满足实时要求,但是会有严重的边界效应和出现边界效应导致在跟踪阶段鲁棒性不强,这也是利用傅里叶频域变换的普遍缺陷。
发明内容
本发明的目的在于提供一种背景感知跟踪方法、计算机可读存储介质及计算机设备,旨在解决的跟踪过程中由傅立叶频域产生的边界效应和由边界效应导致的在跟踪阶段鲁棒性不强的问题。
第一方面,本发明提供了一种背景感知跟踪方法,包括:
构建背景感知模型,从背景感知模型中提取真实样本用于训练滤波器,所述真实样本指从测试视频中实时提取的目标信息和背景信息;
从测试视频之外的视频数据集中以参考目标为条件来搜索目标对象,挖掘包括与目标相关度高于预设阈值的图像作为困难样本,重新根据所述困难样本训练并更新滤波器;
通过更新后的滤波器更新DCFNet框架的输出,实现对目标的在线跟踪。
进一步地,所述困难样本包括正样本和负样本;困难样本中图像的背景信息设为负样本,目标对象设为正样本。
进一步地,所述从测试视频之外的视频数据集中以参考目标为条件来搜索目标对象具体为:从测试视频之外的视频数据集中选择随机视频帧和目标对象;使用索引结构从所述随机视频帧中检索最近邻边界框作为参考框,并从所述随机视频帧中选取多个样本作为额外的负样本训练,并检索所述随机视频帧的真实目标特征,将所述随机视频帧中的目标对象作为附加的正样本。
进一步地,所述方法还包括基于交替方向乘子法来学习更新后的滤波器。
第二方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述的背景感知跟踪方法的步骤。
第三方面,本发明提供了一种计算机设备,包括:一个或多个处理器、存储器以及一个或多个计算机程序,所述处理器和所述存储器通过总线连接,其中所述一个或多个计算机程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述处理器执行所述计算机程序时实现所述的背景感知跟踪方法的步骤。
在本发明中,从背景感知模型中提取真实样本用于训练滤波器,挖掘包括与目标相关度高于预设阈值的图像作为困难样本,重新根据所述困难样本训练并更新滤波器,加强分类器判别目标的能力,解决了由傅里叶频域卷积带来的边界效应问题,增强了跟踪的鲁棒性和精度,解决目标样本和背景样本不均衡的问题。
附图说明
图1是本发明一实施例提供的一种背景感知跟踪方法的流程图。
图2是本发明一实施例提供的一种计算机设备的具体结构框图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
请参阅图1,本发明一实施例提供的一种背景感知跟踪方法包括以下步骤:需注意的是,若有实质上相同的结果,本发明的背景感知跟踪方法并不以图1所示的流程顺序为限。
S1.构建背景感知模型,从背景感知模型中提取真实样本用于训练滤波器,所述真实样本指从测试视频中实时提取的目标信息和背景信息;
S2.从测试视频之外的视频数据集中以参考目标为条件来搜索目标对象,挖掘包括与目标相关度高于预设阈值的图像作为困难样本,重新根据所述困难样本训练并更新滤波器;
S3.通过更新后的滤波器更新DCFNet框架的输出,实现对目标的在线跟踪。
在本发明一实施例中,所述困难样本包括正样本和负样本;困难样本中图像的背景信息设为负样本,目标对象设为正样本。
在本发明一实施例中,所述从测试视频之外的视频数据集中以参考目标为条件来搜索目标对象具体为:从测试视频之外的视频数据集中选择随机视频帧和目标对象;使用索引结构从所述随机视频帧中检索最近邻边界框作为参考框,并从所述随机视频帧中选取多个样本作为额外的负样本训练,并检索所述随机视频帧的真实目标特征,将所述随机视频帧中的目标对象作为附加的正样本。
本发明一实施例使用一个基于PReMVOS的嵌入网络,为每个表示该对象外观的真实搜索框提取一个嵌入向量,在COCO上进行类的分离,在YouTube-VOS数据集上进行训练,以消除单个对象实例之间的歧义。
在线跟踪流程为:
输入图像的训练帧;
对训练样本应用循环位移和裁剪操作,从整个训练帧中返回所有的统一尺寸的训练样本;
通过一个二进制矩阵的裁剪算子,分别将所有样本的大小与目标或过滤器的大小相匹配;
将匹配后的样本送入相关滤波层进行学习更新。
在本发明一实施例中,所述方法还包括基于交替方向乘子法来学习更新后的滤波器。
DCFNet框架原理:
将训练图像样本和测试图像样本分别通过三个卷积层后输出到相关滤波层,输出训练和更新后的滤波器,接着和真实值的概率热图进行傅立叶频域卷积,输出预测值的概率热图。
其中,DCFNet将DCF视为一个添加在Siamese网络中的特殊相关滤波器层,并通过将网络输出定义为对象位置的概率热图来导出通过它的反向传播。
在本发明一实施例中,所述从背景感知模型中提取真实样本用于训练滤波器具体为:
通过最小化以下目标来训练背景感知相关滤波器:
其中,分别指矢量化图像和滤波器的第K个通道,K为特征通道的数量;λ是正则化系数,P是一个D*T的二进制矩阵,以D为尺寸裁剪信号xk的中心元素;Δτj是循环移位操作符;x、y和h分别是具有大空间支持度的训练样本,y是峰值以跟踪目标为中心的相关输出,h是空间尺寸比训练样本小的相关滤波器;
经过傅立叶变换投到频域中,表示为:
其中,是辅助变量,与式(3)中的相关相应图g不同;IK是K*K的恒等式矩阵,表示Kronecker积,F是复基向量的正交T*T矩阵,用于映射到任意T维矢量化信号的傅里叶域;利用增广拉格朗日乘子法约束将约束项放到优化函数内部,表示为:
根据以上的推导结果,对目标函数进行求逆操作简化算法复杂度,再进行迭代操作优化求解,反复迭代直至收敛出最优解。
本发明一实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如本发明一实施例提供的背景感知跟踪方法的步骤。
图2示出了本发明一实施例提供的计算机设备的具体结构框图,一种计算机设备100包括:一个或多个处理器101、存储器102、以及一个或多个计算机程序,其中所述处理器101和所述存储器102通过总线连接,所述一个或多个计算机程序被存储在所述存储器102中,并且被配置成由所述一个或多个处理器101执行,所述处理器101执行所述计算机程序时实现如本发明一实施例提供的背景感知跟踪方法的步骤。
在本发明一实施例中,从背景感知模型中提取真实样本用于训练滤波器,挖掘包括与目标相关度高于预设阈值的图像作为困难样本,重新根据所述困难样本训练并更新滤波器,加强分类器判别目标的能力,解决了由傅里叶频域卷积带来的边界效应问题,增强了跟踪的鲁棒性和精度,解决目标样本和背景样本不均衡的问题。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,RandomAccess Memory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种背景感知跟踪方法,其特征在于,包括:
构建背景感知模型,从背景感知模型中提取真实样本用于训练滤波器,所述真实样本指从测试视频中实时提取的目标信息和背景信息;
从测试视频之外的视频数据集中以参考目标为条件来搜索目标对象,挖掘包括与目标相关度高于预设阈值的图像作为困难样本,重新根据所述困难样本训练并更新滤波器;
通过更新后的滤波器更新DCFNet框架的输出,实现对目标的在线跟踪。
2.如权利要求1所述的方法,其特征在于,所述困难样本包括正样本和负样本;困难样本中图像的背景信息设为负样本,目标对象设为正样本。
3.如权利要求1所述的方法,其特征在于,所述从测试视频之外的视频数据集中以参考目标为条件来搜索目标对象具体为:从测试视频之外的视频数据集中选择随机视频帧和目标对象;使用索引结构从所述随机视频帧中检索最近邻边界框作为参考框,并从所述随机视频帧中选取多个样本作为额外的负样本训练,并检索所述随机视频帧的真实目标特征,将所述随机视频帧中的目标对象作为附加的正样本。
4.如权利要求1所述的方法,其特征在于,所述方法还包括基于交替方向乘子法来学习更新后的滤波器。
6.如权利要求1所述的方法,其特征在于,所述从背景感知模型中提取真实样本用于训练滤波器具体为:
通过最小化以下目标来训练背景感知相关滤波器:
其中,分别指矢量化图像和滤波器的第K个通道,K为特征通道的数量;λ是正则化系数,P是一个D*T的二进制矩阵,以D为尺寸裁剪信号xk的中心元素;Δτj是循环移位操作符;x、y和h分别是具有大空间支持度的训练样本,y是峰值以跟踪目标为中心的相关输出,h是空间尺寸比训练样本小的相关滤波器;
经过傅立叶变换投到频域中,表示为:
其中,是辅助变量,与式(3)中的相关相应图g不同;IK是K*K的恒等式矩阵,表示Kronecker积,F是复基向量的正交T*T矩阵,用于映射到任意T维矢量化信号的傅里叶域;利用增广拉格朗日乘子法约束将约束项放到优化函数内部,表示为:
根据以上的推导结果,对目标函数进行求逆操作简化算法复杂度,再进行迭代操作优化求解,反复迭代直至收敛出最优解。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的背景感知跟踪方法的步骤。
8.一种计算机设备,包括:一个或多个处理器、存储器以及一个或多个计算机程序,所述处理器和所述存储器通过总线连接,其中所述一个或多个计算机程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的背景感知跟踪方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110400856.8A CN113129337B (zh) | 2021-04-14 | 2021-04-14 | 背景感知跟踪方法、计算机可读存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110400856.8A CN113129337B (zh) | 2021-04-14 | 2021-04-14 | 背景感知跟踪方法、计算机可读存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113129337A true CN113129337A (zh) | 2021-07-16 |
CN113129337B CN113129337B (zh) | 2022-07-19 |
Family
ID=76776498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110400856.8A Active CN113129337B (zh) | 2021-04-14 | 2021-04-14 | 背景感知跟踪方法、计算机可读存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113129337B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842045A (zh) * | 2012-08-03 | 2012-12-26 | 华侨大学 | 一种基于组合特征的行人检测方法 |
CN103198332A (zh) * | 2012-12-14 | 2013-07-10 | 华南理工大学 | 一种实时鲁棒的远红外车载行人检测方法 |
CN108038515A (zh) * | 2017-12-27 | 2018-05-15 | 中国地质大学(武汉) | 无监督多目标检测跟踪方法及其存储装置与摄像装置 |
CN108122247A (zh) * | 2017-12-25 | 2018-06-05 | 北京航空航天大学 | 一种基于图像显著性和特征先验模型的视频目标检测方法 |
CN108346159A (zh) * | 2018-01-28 | 2018-07-31 | 北京工业大学 | 一种基于跟踪-学习-检测的视觉目标跟踪方法 |
CN108596958A (zh) * | 2018-05-10 | 2018-09-28 | 安徽大学 | 一种基于困难正样本生成的目标跟踪方法 |
CN109446942A (zh) * | 2018-10-12 | 2019-03-08 | 北京旷视科技有限公司 | 目标跟踪方法、装置和系统 |
CN109816691A (zh) * | 2019-01-10 | 2019-05-28 | 常州工学院 | 背景感知的大分类间隔相关滤波目标跟踪方法 |
US20190251333A1 (en) * | 2017-06-02 | 2019-08-15 | Tencent Technology (Shenzhen) Company Limited | Face detection training method and apparatus, and electronic device |
CN110674881A (zh) * | 2019-09-27 | 2020-01-10 | 长城计算机软件与系统有限公司 | 商标图像检索模型训练方法、系统、存储介质及计算机设备 |
CN110889863A (zh) * | 2019-09-03 | 2020-03-17 | 河南理工大学 | 一种基于目标感知相关滤波的目标跟踪方法 |
CN110956643A (zh) * | 2019-12-04 | 2020-04-03 | 齐鲁工业大学 | 一种基于MDNet的改进车辆跟踪方法及系统 |
CN111008991A (zh) * | 2019-11-26 | 2020-04-14 | 华南理工大学 | 一种背景感知的相关滤波目标跟踪方法 |
CN111738081A (zh) * | 2020-05-20 | 2020-10-02 | 杭州电子科技大学 | 一种难样本重训练的深度神经网络声呐目标检测方法 |
WO2020224460A1 (zh) * | 2019-05-06 | 2020-11-12 | 影石创新科技股份有限公司 | 一种目标追踪方法及便携式终端 |
CN112036381A (zh) * | 2020-11-03 | 2020-12-04 | 中山大学深圳研究院 | 视觉跟踪方法、视频监控方法及终端设备 |
CN112686326A (zh) * | 2021-01-05 | 2021-04-20 | 中国科学技术大学 | 一种智能排序候选框的目标跟踪方法及系统 |
-
2021
- 2021-04-14 CN CN202110400856.8A patent/CN113129337B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842045A (zh) * | 2012-08-03 | 2012-12-26 | 华侨大学 | 一种基于组合特征的行人检测方法 |
CN103198332A (zh) * | 2012-12-14 | 2013-07-10 | 华南理工大学 | 一种实时鲁棒的远红外车载行人检测方法 |
US20190251333A1 (en) * | 2017-06-02 | 2019-08-15 | Tencent Technology (Shenzhen) Company Limited | Face detection training method and apparatus, and electronic device |
CN108122247A (zh) * | 2017-12-25 | 2018-06-05 | 北京航空航天大学 | 一种基于图像显著性和特征先验模型的视频目标检测方法 |
CN108038515A (zh) * | 2017-12-27 | 2018-05-15 | 中国地质大学(武汉) | 无监督多目标检测跟踪方法及其存储装置与摄像装置 |
CN108346159A (zh) * | 2018-01-28 | 2018-07-31 | 北京工业大学 | 一种基于跟踪-学习-检测的视觉目标跟踪方法 |
CN108596958A (zh) * | 2018-05-10 | 2018-09-28 | 安徽大学 | 一种基于困难正样本生成的目标跟踪方法 |
CN109446942A (zh) * | 2018-10-12 | 2019-03-08 | 北京旷视科技有限公司 | 目标跟踪方法、装置和系统 |
CN109816691A (zh) * | 2019-01-10 | 2019-05-28 | 常州工学院 | 背景感知的大分类间隔相关滤波目标跟踪方法 |
WO2020224460A1 (zh) * | 2019-05-06 | 2020-11-12 | 影石创新科技股份有限公司 | 一种目标追踪方法及便携式终端 |
CN110889863A (zh) * | 2019-09-03 | 2020-03-17 | 河南理工大学 | 一种基于目标感知相关滤波的目标跟踪方法 |
CN110674881A (zh) * | 2019-09-27 | 2020-01-10 | 长城计算机软件与系统有限公司 | 商标图像检索模型训练方法、系统、存储介质及计算机设备 |
CN111008991A (zh) * | 2019-11-26 | 2020-04-14 | 华南理工大学 | 一种背景感知的相关滤波目标跟踪方法 |
CN110956643A (zh) * | 2019-12-04 | 2020-04-03 | 齐鲁工业大学 | 一种基于MDNet的改进车辆跟踪方法及系统 |
CN111738081A (zh) * | 2020-05-20 | 2020-10-02 | 杭州电子科技大学 | 一种难样本重训练的深度神经网络声呐目标检测方法 |
CN112036381A (zh) * | 2020-11-03 | 2020-12-04 | 中山大学深圳研究院 | 视觉跟踪方法、视频监控方法及终端设备 |
CN112686326A (zh) * | 2021-01-05 | 2021-04-20 | 中国科学技术大学 | 一种智能排序候选框的目标跟踪方法及系统 |
Non-Patent Citations (4)
Title |
---|
JI Y ET AL.: "A Comparative Study and Simulation of Object Tracking Algorithms", 《2020 THE 4TH INTERNATIONAL CONFERENCE ON VIDEO AND IMAGE PROCESSING》 * |
亢洁 等: "基于难样本挖掘的孪生网络目标跟踪", 《计算机应用研究》 * |
刘明明等: "基于时间正则化及背景感知的滤波器跟踪", 《激光与光电子学进展》 * |
孙希延 等: "亚像素相关滤波跟踪算法", 《计算机仿真》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113129337B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111881714A (zh) | 一种无监督跨域行人再识别方法 | |
Ding et al. | Unsupervised self-correlated learning smoothy enhanced locality preserving graph convolution embedding clustering for hyperspectral images | |
CN112184752A (zh) | 一种基于金字塔卷积的视频目标跟踪方法 | |
CN110874590B (zh) | 基于适配器互学习模型的训练及可见光红外视觉跟踪方法 | |
CN115249332B (zh) | 基于空谱双分支卷积网络的高光谱图像分类方法及设备 | |
CN104038792B (zh) | 用于iptv监管的视频内容分析方法及设备 | |
CN110929848A (zh) | 基于多挑战感知学习模型的训练、跟踪方法 | |
CN109727272B (zh) | 一种基于双分支时空正则化相关滤波器的目标跟踪方法 | |
CN114172688B (zh) | 基于gcn-dl的加密流量网络威胁关键节点自动提取方法 | |
CN111462173B (zh) | 基于孪生网络判别特征学习的视觉跟踪方法 | |
CN113920472A (zh) | 一种基于注意力机制的无监督目标重识别方法及系统 | |
CN113392866A (zh) | 一种基于人工智能的图像处理方法、装置及存储介质 | |
Bejiga et al. | Gan-based domain adaptation for object classification | |
CN114299362A (zh) | 一种基于k-means聚类的小样本图像分类方法 | |
Wang et al. | Hunting sparsity: Density-guided contrastive learning for semi-supervised semantic segmentation | |
KR102305575B1 (ko) | 이미지 간 유사도를 이용한 유사 영역 강조 방법 및 시스템 | |
CN113705276A (zh) | 模型构建方法、模型构建装置、计算机设备及介质 | |
CN113792594B (zh) | 一种基于对比学习的视频中语言片段定位方法及装置 | |
CN114693923A (zh) | 一种基于上下文和注意力的三维点云语义分割方法 | |
CN116432736A (zh) | 神经网络模型优化方法、装置及计算设备 | |
CN113129337B (zh) | 背景感知跟踪方法、计算机可读存储介质及计算机设备 | |
CN116794608A (zh) | 基于改进MobileViT网络的雷达有源干扰识别方法 | |
CN116340869A (zh) | 基于红狐优化算法的分布式CatB肌体检测方法及设备 | |
Cui et al. | RT-Net: replay-and-transfer network for class incremental object detection | |
CN115457269A (zh) | 一种基于改进DenseNAS的语义分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |