CN113223053A - 一种基于孪生网络融合多层特征的无锚点目标跟踪方法 - Google Patents

一种基于孪生网络融合多层特征的无锚点目标跟踪方法 Download PDF

Info

Publication number
CN113223053A
CN113223053A CN202110588231.9A CN202110588231A CN113223053A CN 113223053 A CN113223053 A CN 113223053A CN 202110588231 A CN202110588231 A CN 202110588231A CN 113223053 A CN113223053 A CN 113223053A
Authority
CN
China
Prior art keywords
network
layer
feature
loss
image
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.)
Pending
Application number
CN202110588231.9A
Other languages
English (en)
Inventor
陈渝
贾西平
林智勇
魏纵横
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Priority to CN202110588231.9A priority Critical patent/CN113223053A/zh
Publication of CN113223053A publication Critical patent/CN113223053A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/02—Affine transformations
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于孪生网络融合多层特征的无锚点目标跟踪方法，针对基于孪生网络的目标跟踪算法易受物体形变等因素影响而导致跟踪任务失败的问题，提出一种多层特征融合方法，通过联合多层网络的特征图组成特征空间来丰富模型提取的特征信息；引入无锚点方法，在预测物体位置的分支上，本文通过预测中心点与边框四周的距离，位置预测网络部分是基于锚点的目标跟踪算法参数量的20％，有效缩短目标跟踪所需要的计算时间。

Description

一种基于孪生网络融合多层特征的无锚点目标跟踪方法
技术领域
本发明涉及计算机视觉技术，具体涉及一种基于孪生网络融合多层特征的无锚点目标跟踪方法。
背景技术
如今，目标跟踪已经成为深度学习当中的研究热点，也是计算机视觉领域的重要组成部分。在深度学习的帮助下，目标跟踪算法的精确度、速度、鲁棒性得到了巨大的提高，广泛应用于无人机、自动驾驶、体育赛事等系统中。尽管当前的目标跟踪算法针对遮挡、形变、抖动、快速移动等问题已经有了多种解决方案，但是当目标在复杂环境中发生形变时，跟踪器对位置预测的准确度会大大降低。
近年来，基于孪生网络的目标跟踪算法在计算机视觉目标跟踪领域中取得了重要进展。孪生网络的跟踪器利用大规模数据集，通过离线训练的方式训练出一个相似性匹配函数，判别两个图像输入是否相同。SiamFC首次把孪生网络引入到目标跟踪领域中，使用孪生网络作为特征提取网络，计算模板分支和搜索分支之间的相关性得到一个特征图(响应图)，而这个特征图包含这两个分支之间的关联信息，依据该特征图计算图像目标位置。C-COT使用VGG提取图像特征，转化为频域使用插值方式对深层特征图进行插值，结合不同层级的特征图得到特征空间的响应图，把这些特征结合起来，通过迭代求得最优解。ECO对卷积进行因式分解，不仅提高了跟踪的精确度，在速度上是C-COT的20倍。SiamRPN在SiamFC的基础上引入区域生成网络(RPN)，使得目标跟踪的准确度和鲁棒性得到进一步提升。DaSiamRPN增加Distractor-aware模块进一步提高跟踪器对物体的判别能力。尽管上述跟踪器很好的平衡了准确度和检测速度之间的矛盾，但SiamRPN等算法在位置预测方面仍然受限于先验框大小的超参数设定上，由于设定的比例越多，网络训练的参数越多，在进行目标跟踪任务时会增加计算的时间成本。
发明内容
为了解决上述问题，本发明的目的在于提供一种基于孪生网络融合多层特征的无锚点目标跟踪方法，所述方法包括：
提出用于融合深层特征和浅层特征的多层特征融合方法，联合多层网络特征图组成连续特征空间，在保留图像特征细节的基础上，融合深层网络的高维特征；在区域生成孪生网络中引入无锚点方法，解决模型在进行跟踪任务时计算耗时过长问题，以及在物体发生形变时跟踪失败率高的问题。在预测物体位置的分支上，本文通过直接预测中心点与边框四周的距离，有效缩短了目标跟踪所需要的计算时间。
所述目标跟踪网络的训练步骤包括：
步骤(1)：对数据集进行预处理：将数据集中的每张图像通过仿射变换裁剪成(3×127×127)大小的模板图像样本(z)和(3×511×511)大小的搜索图像样本(x)，
Figure BDA0003086932080000021
其中目标真实框的高和宽为h和w，对于模本图像样本：以图像真实边框为中心裁剪大小为(3×127×127)的图像。对于搜索图像样本你，以图像真实边框为中心，对图像进行偏移后再裁剪大小为(3×511×511)的图像。
步骤(2)：对步骤(1)中获得的数据使用缩放、图像模糊、反转和转换颜色等方法进行数据增强，把(3×511×511)的搜索图像样本裁剪成(3×255×255)的搜索图像样本(x)，把(3×127×127)和(3×255×255)大小的图像样本作为特征提取网络输入；
关于步骤(2)中所述的特征提取网络以Resnet50为特征提取网络，取第二层、第三层和第四层的特征图作为特征提取网络的输出，调整第三层特征图
Figure BDA0003086932080000022
通过双线性插值得到特征图
Figure BDA0003086932080000023
然后将
Figure BDA0003086932080000024
通过调整通道与上一层特征图拼接得到的特征图
Figure BDA0003086932080000025
作为Resnet50第三层的输出
Figure BDA0003086932080000026
调整第四层特征图
Figure BDA0003086932080000027
经过同样的转化后得到孪生网络第四层的特征提取输出
Figure BDA0003086932080000028
步骤(3)输入图像样本z和x得到特征图zF和xF，使用zF作为卷积核应用在xF上，计算zF和xF的关联程度响应图F；
关于步骤(3)中的响应图F具体为：
Figure BDA0003086932080000029
其中
Figure BDA00030869320800000210
为卷积操作，F为拼接后使用卷积层调整通道得到最后的响应图；
关于步骤(3)中的关联程度响应图F中的每个特征点与原图对应关系为
Figure BDA00030869320800000211
其中(X，Y)为原图的坐标，s为网络的总步长，(x，y)表示关联程度响应图F的坐标；
步骤(4)：使用步骤(3)的响应图F输入到区域生成网络分别预测响应图F中各个特征点的属于前景的概率和对应的位置坐标；
关于步骤(4)中的区域生成网络包含前后景预测子网络和位置预测子网络，其中前后景预测子网络和位置预测子网络均由4个卷积块组成，卷积块由卷积层、组归一化和ReLU组成；前后景预测子网络后接前后景预测分支，位置预测子网络后接中心点预测分支和位置预测分支；
步骤(5)：使用步骤(4)得到的前后景预测结果和位置坐标与标签计算误差损失；
关于步骤(5)中的损失函数有3部分组成，分别为前后景预测损失误差Losscls、位置预测损失误差LossIoU和中心点误差损失Losscen。前后景预测分支使用NLLLoss损失函数，位置预测分支使用IoU Loss损失函数，中心点预测分支使用BCE Loss损失函数计算误差。因此模型训练的总损失误差为：Losstotal＝Losscls+2×LossIoU+Losscen；
关于步骤(5)中位置标签生成方式为：在响应图F的每个特征点处计算该点到真实边框四周的距离。设s为网络的总步长，真实边框为B＝(x0，x1，y0，y1)，其中(x0，y0)为真实边框的左上角的坐标，(x1，y1)为真实边框的右下角的坐标。设定计算损失的位置标签g*＝(l*，t*，r*，b*)，计算公式如公式(3)所示：
Figure BDA0003086932080000031
步骤(6)：使用随机梯度下降优化方法调整网络参数，减少步骤(5)中的预测结果与标签之间的误差损失；
步骤(7)：通过20次迭代调整网络参数，保存此时的目标跟踪网络；
孪生网络：孪生神经网络有两个输入，将两个输入输进两个神经网络分支(两个神经网络分支权值共享)，分别将输入映射到新的空间，形成输入在新的空间中的表示。
本发明融合深层特征和浅层特征的多层特征融合方法，联合多层网络特征图组成连续特征空间，在保留图像特征细节的基础上，融合深层网络的高维特征，丰富了网络模型的特征提取能力同时还减少了网络训练的参数量；在区域生成孪生网络中引入无锚点方法，解决模型在进行跟踪任务时计算耗时过长问题，以及在物体发生形变时跟踪失败率高的问题。在预测物体位置的分支上，本文通过直接预测中心点与边框四周的距离，有效缩短了目标跟踪所需要的计算时间。
附图说明
图1多层特征融合的无锚点目标跟踪网络结构图；
图2不同重叠率对应的模型跟踪的成功率。
具体实施方式
下面结合附图和事例对本发明的方法作详细说明。
通常我们处理数据集会把同一张图片通过仿射变换的方式裁剪成(3×127×127)和(3×511×511)的大小，A2＝(w+p)×(h+p)，
Figure BDA0003086932080000041
其中目标真实框的高和宽为h和w，(3×127×127)大小的图像称为模板图像样本(z)，(3×511×511)大小的图像称为搜索图像样本(x)，模板图像样本的具体裁剪方式为以真实边框为中心并对图像裁剪成(3×127×127)大小的图像，搜索图像样本的具体裁剪方式为以真实边框为中心且对图像进行移动后进行裁剪成(3×255×255)大小的图像。对图像进行裁剪后对图像的其余部分使用平均像素填充；
步骤(2)：对步骤(1)中获得的数据使用缩放、图像模糊、反转和转换颜色等方法进行数据增强，把(3×511×511)的搜索图像样本裁剪成(3×255×255)的搜索图像样本x，把(3×127×127)和(3×255×255)的图像样本作为特征提取网络输入；
关于步骤(2)中所述的特征提取网络以Resnet50为特征提取网络，图像经过Conv层和第一层后，取第二层、第三层和第四层的特征图作为特征提取网络的输出，调整第三层特征图
Figure BDA0003086932080000042
通过双线性插值得到
Figure BDA0003086932080000043
然后将
Figure BDA0003086932080000044
通过调整通道与上一层特征图拼接得到的特征图作为Resnet50第三层的输出
Figure BDA0003086932080000045
调整第四层特征图
Figure BDA0003086932080000046
经过同样的转化后得到孪生网络第四层的特征提取输出
Figure BDA0003086932080000047
步骤(3)输入图像样本z和x得到特征图zF和xF，使用zF作为卷积核应用在xF上，计算zF和xF的关联程度响应图F；
关于步骤(3)中的响应图F具体为：
Figure BDA0003086932080000048
其中
Figure BDA0003086932080000051
为卷积操作，F为拼接后使用卷积层调整通道得到最后的响应图
Figure BDA0003086932080000052
响应图F中的每个特征点与原图对应关系为
Figure BDA0003086932080000053
其中(X，Y)为原图的坐标，s为网络的总步长，(x，y)表示关联程度响应图F的坐标；
步骤(4)：使用步骤(3)的响应图F输入到区域生成网络分别预测响应图F中各个特征点的属于前景的概率和对应的位置坐标；
关于步骤(4)中的区域生成网络包含前后景预测子网络和位置预测子网络，其中前后景预测子网络和位置预测子网络均由4个卷积块组成，卷积块由卷积层、组归一化和ReLU组成；前后景预测子网络后接前后景预测分支，位置预测子网络后接中心点预测分支和位置预测分支；
将响应图F输入到前后景预测子网络和位置预测子网络分别得到
Figure BDA0003086932080000054
和
Figure BDA0003086932080000055
将
Figure BDA0003086932080000056
输入到前后景预测分支得到
Figure BDA0003086932080000057
把
Figure BDA0003086932080000058
输入到中心点预测分支和位置预测分支分别得到
Figure BDA0003086932080000059
和
Figure BDA00030869320800000510
步骤(5)：使用LogSoftmax激活函数作用于步骤(4)得到的
Figure BDA00030869320800000511
然后和图像分类标签计算误差损失；使用指数函数作为激活函数作用于步骤(4)得到的
Figure BDA00030869320800000512
中，然后和位置坐标标签计算误差损失；
关于步骤(5)中的损失函数有3部分组成，分别为前后景预测损失误差Losscls、位置预测损失误差LossIoU和中心点误差损失Losscen。前后景预测分支使用NLLLoss损失函数，位置预测分支使用IoU Loss损失函数，中心点预测分支使用BCE Loss损失函数计算误差。因此模型训练的总损失误差为：Losstotal＝Losscls+2×LossIoU+Losscen；
关于步骤(5)中位置标签生成方式为：在响应图F的每个特征点处计算该点到真实边框四周的距离。设s为网络的总步长，真实边框为B＝(x0，x1，y0，y1)，其中(x0，y0)为真实边框的左上角的坐标，(x1，y1)为真实边框的右下角的坐标。设定计算损失的位置标签g*＝(l*，t*，r*，b*)，计算公式如公式(4)所示：
Figure BDA0003086932080000061
关于步骤(5)中的中心点标签生成方式为计算真实边框内每个像素点的与目标中心的距离，距离越远权重越低，反之越高，计算公式如(5)所示：
Figure BDA0003086932080000062
其中centerness*为
Figure BDA0003086932080000063
步骤(6)：使用随机梯度下降优化方法调整网络参数，减少步骤(5)中的预测结果与标签之间的误差损失；
步骤(7)：通过20次迭代调整网络参数，保存此时的目标跟踪网络；
本发明的网络结构图如图1所示，图1A表示网络整体结构，图1B表示调整第三层和第四层特征图大小的模块。
表1表示本发明其余跟踪器在GOT-10k数据集上的准确度对比，结果显示显示本方法与SiamFCv2对比，本方法在平均交并比(Average Overlap，AO)指标上比SiamFCv2高出0.016，当重叠阈值设定为0.5时，目标跟踪成功率(Success Rate)比SiamFCv2高出0.032。以上实验数据均从GOT-10k的官方网站上获取，实验使用的评估工具由GOT-10k的官方网站提供。
表1 GOT-10k数据集上的对比实验
跟踪器 AO SR<sub>0.5</sub> SR<sub>0.75</sub>
MDNet 0.299 0.303 0.099
ECO 0.316 0.309 0.111
CCOT 0.325 0.328 0.107
GOTURN 0.347 0.375 0.124
SiamFC 0.348 0.353 0.098
SiamFCv2 0.374 0.404 0.144
本发明 0.390 0.436 0.018
在表1中：
MDNet对应为NAM H等人提出的方法(NAM H，HAN B.Learning multi-domainconvolutional neural networks for visual tracking；proceedings of theProceedings of the IEEE conference on computer vision and patternrecognition，F，2016[C].)
ECO对应为DANELLJAN M等人提出的方法(DANELLJAN M，BHAT G，SHAHBAZ KHAN F，et al.Eco：Efficient convolution operators for tracking；proceedings oftheProceedings of the IEEE conference on computer vision and patternrecognition，F，2017[C].)
CCO对应为DANELLJAN M等人提出的方法(DANELLJAN M，ROBINSON A，KHAN F S，eta1.Beyond correlation filters：Learning continuous convolution operators forvisual tracking；proceedings of the European conference on computer vision，F，2016[C].Springer.)
GOTURN对应为HELD D等人提出的方法(HELD D，THRUN S，SAVARESE S.Learningto track at 100 fps with deep regression networks；proceedings of the Europeanconference on computer vision，F，2016[C].Springer.)
SiamFC对应为BERTINETTO L等人提出的方法(BERTINETTO L，VALMADRE J，HENRIQUES J F，et al.Fully-convolutional siamese networks for object tracking；proceedings of the European conference on computer vision，F，2016[C].Springer.)
SiamFCv2对应为VALMADRE J等人提出的方法(VALMADRE J，BERTINETTO L，HENRIQUES J，et al.End-to-end representation learning for correlation filterbased tracking；proceedings of the Proceedings of the IEEE conference oncomputer vision and pattern recognition，F，2017[C].)
图2表示不同重叠率对应跟踪器跟踪成功率的曲线图，结果显示本方法的平均重叠率在当前对比的跟踪器中取得了最好成绩。

Claims (6)

1.一种基于孪生网络融合多层特征的无锚点目标跟踪方法，其特征在于，所述方法包括：
将图像通过仿射变换得到2种尺寸的图像输入到特征提取网络中，使用双线性插值方法放大第三层和第四层的特征图，融合上一层特征图以丰富目标跟踪网络提取的特征信息，然后匹配两者之间的相似度输入到区域生成网络预测目标物体的位置。
2.根据权利要求1所述的基于孪生网络融合多层特征的无锚点目标跟踪方法，其特征在于，所述目标跟踪网络的训练步骤包括：
步骤(1)：对数据集进行预处理，把数据集中的每张图像通过仿射变换裁剪成(3×127×127)的模板图像样本(z)和(3×511×511)的搜索图像样本(x)，裁剪公式如(1)所示，
Figure FDA0003086932070000011
其中目标真实框的高和宽为h和w，以图像真实边框为中心裁剪大小为(A×A)的模板图像的大小，再把图像转变为(3×127×127)和(3×511×511)的大小；
步骤(2)：对步骤(1)中获得的数据使用缩放、图像模糊、反转和转换颜色等方法进行数据增强，把(3×511×511)的搜索图像样本裁剪成(3×255×255)的搜索图像样本x，把(3×127×127)和(3×255×255)的图像样本作为特征提取网络输入；
步骤(3)：输入图像样本z和x得到特征图xF和zF，使用zF作为卷积核应用在xF上，计算xF与zF的关联程度响应图F；
步骤(4)：使用步骤(3)的响应图F输入到区域生成网络分别预测响应图F中各个特征点的前后景分类和位置坐标；
步骤(5)：使用步骤(4)得到的前后景预测结果和位置坐标与标签计算误差损失；
步骤(6)：使用随机梯度下降优化方法调整网络参数，减少步骤(5)中的预测结果与标签之间的误差损失；
步骤(7)：通过20次迭代调整网络参数，保存此时的目标跟踪网络。
3.根据权利要求2所述的基于孪生网络融合多层特征的无锚点目标跟踪方法，其特征在于，所述步骤(2)的特征提取网络为：以Resnet50为特征提取网络，取第二层、第三层和第四层的特征图作为特征提取网络的输出，调整第三层特征图
Figure FDA0003086932070000012
通过双线性插值得到
Figure FDA0003086932070000021
然后将
Figure FDA0003086932070000022
通过调整通道与上一层特征图拼接得到的特征图作为Resnet50第三层的输出
Figure FDA0003086932070000023
调整第四层特征图
Figure FDA0003086932070000024
经过同样的转化后得到孪生网络第四层的特征提取输出
Figure FDA0003086932070000025
4.根据权利要求2所述的基于孪生网络融合多层特征的无锚点目标跟踪方法，其特征在于，所述步骤(4)中的区域生成网络包含前后景预测子网络和位置预测子网络，前后景预测子网络后接前后景预测分支，位置预测子网络后接中心点预测分支和位置预测分支。
5.根据权利要求2所述的基于孪生网络融合多层特征的无锚点目标跟踪方法，其特征在于，所述步骤(5)中的前后景预测分支使用NLLLoss损失函数，位置预测分支使用IoULoss损失函数，中心点预测分支使用BCE Loss损失函数计算误差，而总的损失函数如公式(2)所示：
Losstotal＝Losscls+2×LossIoU+Losscen (2)
其中，Losscls表示前后景误差损失，LossIoU表示位置坐标误差损失，Losscen表示中心点误差损失。
6.根据权利要求2所述的基于孪生网络融合多层特征的无锚点目标跟踪方法，其特征在于，所述步骤(3)中的关联程度响应图F与原图对应关系为
Figure FDA0003086932070000026
其中(X，Y)为原图的坐标，s为网络的总步长，(x，y)表示关联程度响应图F的坐标；所述步骤(7)中的标签，将位于真实边框内的视为正样本，其余为负样本。
CN202110588231.9A 2021-05-27 2021-05-27 一种基于孪生网络融合多层特征的无锚点目标跟踪方法 Pending CN113223053A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110588231.9A CN113223053A (zh) 2021-05-27 2021-05-27 一种基于孪生网络融合多层特征的无锚点目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110588231.9A CN113223053A (zh) 2021-05-27 2021-05-27 一种基于孪生网络融合多层特征的无锚点目标跟踪方法

Publications (1)

Publication Number Publication Date
CN113223053A true CN113223053A (zh) 2021-08-06

Family

ID=77099714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110588231.9A Pending CN113223053A (zh) 2021-05-27 2021-05-27 一种基于孪生网络融合多层特征的无锚点目标跟踪方法

Country Status (1)

Country Link
CN (1) CN113223053A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114240996A (zh) * 2021-11-16 2022-03-25 灵译脑科技(上海)有限公司 一种基于目标运动预测的多目标追踪方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816695A (zh) * 2019-01-31 2019-05-28 中国人民解放军国防科技大学 一种复杂背景下的红外小型无人机目标检测与跟踪方法
CN112785626A (zh) * 2021-01-27 2021-05-11 安徽大学 一种基于多尺度特征融合的孪生网络小目标跟踪方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816695A (zh) * 2019-01-31 2019-05-28 中国人民解放军国防科技大学 一种复杂背景下的红外小型无人机目标检测与跟踪方法
CN112785626A (zh) * 2021-01-27 2021-05-11 安徽大学 一种基于多尺度特征融合的孪生网络小目标跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杜花: "基于全卷积无锚框孪生网络的目标跟踪算法研究", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114240996A (zh) * 2021-11-16 2022-03-25 灵译脑科技(上海)有限公司 一种基于目标运动预测的多目标追踪方法
CN114240996B (zh) * 2021-11-16 2024-05-07 灵译脑科技(上海)有限公司 一种基于目标运动预测的多目标追踪方法

Similar Documents

Publication Publication Date Title
CN110570458B (zh) 一种基于内部裁剪和多层特征信息融合的目标跟踪方法
CN113706581B (zh) 基于残差通道注意与多层次分类回归的目标跟踪方法
CN111260688A (zh) 一种孪生双路目标跟踪方法
CN111260661B (zh) 一种基于神经网络技术的视觉语义slam系统及方法
CN110688905B (zh) 一种基于关键帧的三维物体检测与跟踪方法
CN110399840B (zh) 一种快速的草坪语义分割及边界检测方法
CN111882586B (zh) 一种面向剧场环境的多演员目标跟踪方法
CN110321937B (zh) 一种Faster-RCNN结合卡尔曼滤波的运动人体跟踪方法
CN110310305B (zh) 一种基于bssd检测与卡尔曼滤波的目标跟踪方法与装置
CN112767440B (zh) 一种基于siam-fc网络的目标跟踪方法
CN110309765B (zh) 一种视频运动目标高效检测方法
CN114972968A (zh) 基于多重神经网络的托盘识别和位姿估计方法
CN111429485A (zh) 基于自适应正则化和高信度更新的跨模态滤波跟踪方法
CN116630376A (zh) 基于ByteTrack的无人机多目标跟踪方法
CN112884037A (zh) 一种基于模板更新和无锚框方式的目标跟踪方法
CN110837769B (zh) 一种图像处理与深度学习的嵌入式远红外行人检测方法
CN113223053A (zh) 一种基于孪生网络融合多层特征的无锚点目标跟踪方法
CN114037684A (zh) 一种基于yolov5和注意力机制模型的疵点检测方法
Zhang et al. Depth Monocular Estimation with Attention-based Encoder-Decoder Network from Single Image
CN114743045B (zh) 一种基于双分支区域建议网络的小样本目标检测方法
CN113888595B (zh) 一种基于困难样本挖掘的孪生网络单目标视觉跟踪方法
CN116051601A (zh) 一种深度时空关联的视频目标跟踪方法及系统
CN114155273B (zh) 一种结合历史轨迹信息的视频图像单目标跟踪方法
CN113723468B (zh) 一种三维点云的物体检测方法
CN115512263A (zh) 一种面向高空坠物的动态视觉监测方法及装置

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210806

WD01 Invention patent application deemed withdrawn after publication