CN113963204A - 一种孪生网络目标跟踪系统及方法 - Google Patents
一种孪生网络目标跟踪系统及方法 Download PDFInfo
- Publication number
- CN113963204A CN113963204A CN202111220959.2A CN202111220959A CN113963204A CN 113963204 A CN113963204 A CN 113963204A CN 202111220959 A CN202111220959 A CN 202111220959A CN 113963204 A CN113963204 A CN 113963204A
- Authority
- CN
- China
- Prior art keywords
- feature
- graph
- convolution
- branch
- characteristic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 39
- 230000004927 fusion Effects 0.000 claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000001174 ascending effect Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- MWPLVEDNUUSJAV-UHFFFAOYSA-N anthracene Chemical compound C1=CC=CC2=CC3=CC=CC=C3C=C21 MWPLVEDNUUSJAV-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了计算机视觉目标跟踪技术领域的一种孪生网络目标跟踪系统及方法，包括：获取输入特征图；基于输入特征图进行卷积拆分，得到多个特征子图；基于多个特征子图进行卷积融合，得到分支特征图；基于分支特征图进行特征融合，得到输出向量；基于输出向量进行升维处理，得到升维特征图；基于升维特征图进行分类分支，得到分类图、回归图和中心度图。本发明能够能够有效解决主干网络特征提取能力弱、深层语义信息较浅、分类回归方式复杂等问题，提出了一种全新的端到端的深度模型，有效提升了方案跟踪性能。
Description
技术领域
本发明涉及一种孪生网络目标跟踪系统及方法，属于计算机视觉目标跟踪技术领域。
背景技术
目标跟踪是计算机视觉领域的一个重要分支，在视频监控、自动驾驶、人机交互等领域有着广泛的应用前景。目标跟踪算法通过给定视频序列第一帧目标位置信息，对后续的每一帧目标的位置进行自动估计。然而，在复杂的现实场景下，跟踪过程会受到相似物干扰、光照变化、尺度变化、遮挡形变、低分辨率等因素的干扰，因此设计一个在现实场景下高效运行的跟踪算法是一项艰巨的任务。
近些年来，随着深度学习技术的日趋成熟，其在诸多领域应用广泛。在跟踪领域，基于深度学习的孪生网络跟踪算法逐渐流行起来，其利用端到端的孪生网络结构将跟踪问题转化为相似性学习问题。Bertinetto等人基于上述思想提出全卷积孪生网络跟踪算法(SiamFC)，相比较其他类型算法，其在速度与精度之间取得了较好地均衡。此后在SiamFC基础上衍生了一系列优秀的孪生网络跟踪算法。SiamRPN将跟踪问题看作成一个二阶段问题，使用边界框回归代替多尺度搜索进而提升了精度和效率。DaSiamRPN在SiamRPN基础上引入了不同语义干扰物，增强了分类器的判别能力，从而提高了跟踪性能。SiamRPN++使用ResNet代替AlexNet加深了网络，得到更丰富的特征语义信息，在复杂现实场景下算法也能保持良好的鲁棒性。SiamMask在SiamFC基础上添加掩膜分支得到更精准的边界框，进一步提高了跟踪精度。DCSiam使用可变形卷积增强了骨干网络的特征提取能力，同时采用高置信度的更新策略有效遏制了模板信息的退化。虽然以上基于SiamFC的孪生网络跟踪算法取得了不错的成果，但是它们还存在着以下问题需要解决:首先这些跟踪算法主干网络特征提取能力较弱，其次它们只注重挖掘局部语义信息，并未关注全局语义信息，在目标消失又出现时易发生跟踪漂移。最后多数算法采用预定义锚框的方式进行分类与回归，算法复杂度高，运行速率低。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种孪生网络目标跟踪系统及方法，有效提升了方案跟踪性能。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种孪生网络目标跟踪方法，包括：
获取输入特征图；
基于输入特征图进行卷积拆分，得到多个特征子图；
基于多个特征子图进行卷积融合，得到分支特征图；
基于分支特征图进行特征融合，得到输出向量；
基于输出向量进行升维处理，得到升维特征图；
基于升维特征图进行分类分支，得到分类图、回归图和中心度图。
进一步的，基于输入特征图进行卷积拆分，得到多个特征子图，包括：
采用1×1卷积将输入特征图拆分成多个特征子图。
进一步的，基于多个特征子图进行卷积融合，得到分支特征图，包括：
将每个特征子图与上一个特征子图经过卷积输出的和作为该子图对应的输入进行3×3卷积；
将经过3×3卷积后的多个特征子图进行拼接；
基于拼接后的特征子图通过1×1卷积融合，得到模板分支与搜索分支的特征图。
进一步的，所述模板分支将视频序列第一帧作为模板区域
搜索分支将随后的每一帧作为搜索区域
模板区域和搜索区域经过特征提取模块后得到特征图大小分别为
和
其中C为通道数，
其中，Hx0和Wx0是搜索区域的长和宽，Hz0和Wz0是模板区域的长和宽。
进一步的，基于分支特征图进行特征融合，得到输出向量，包括：
分别对模板分支与搜索分支的特征图作1×1卷积；
基于1×1卷积后的特征图展平成特征向量，得到模板向量和搜索向量；
基于模板向量和搜索向量进行特征融合，得到输出向量。
进一步的，基于升维特征图进行分类分支，包括：
对升维特征图上每个像素点预测类别得到分类图；
通过回归分支计算像素点到边界框的距离得到回归图；
通过中心度分支计算像素点到目标中心的距离得到中心度图。
进一步的，所述特征子图的数量为四个。
第二方面，本发明提供了一种孪生网络目标跟踪系统，包括：
采集模块：用于获取输入特征图；
卷积拆分模块：用于基于输入特征图进行卷积拆分，得到多个特征子图；
卷积融合模块：用于基于多个特征子图进行卷积融合，得到分支特征图；
特征融合模块：用于基于分支特征图进行特征融合，得到输出向量；
特征升维模块：用于基于输出向量进行升维处理，得到升维特征图；
分类分支模块：用于基于升维特征图进行分类分支，得到分类图、回归图和中心度图。
第三方面，一种孪生网络目标跟踪装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
第四方面，计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
一、本发明公开了一种孪生网络目标跟踪系统和方法对目标进行跟踪，能够有效解决主干网络特征提取能力弱、深层语义信息较浅、分类回归方式复杂等问题，提出了一种全新的端到端的深度模型，有效提升了方案跟踪性能。
二、本发明使用改进后的Res2Net网络作为特征提取网络，通过扩大每个网络层的感受野以增强主干网络的特征提取能力。其次提出将EDE结构作为新的Transformer主体框架，即在循环层中自左向右添加编解码器，自适应地使算法建立特征关联获取全局语义信息并深度挖掘目标语义信息。最后以像素点为训练样本，并引入中心度分支抑制低质量边界框，减少了运算参数过多带来的高复杂度，从而简化了分类与回归任务的复杂程度。
附图说明
图1是本发明实施例一提供的算法框架图；
图2是本发明实施例一提供的改进后Res2Net网络图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
一种孪生网络目标跟踪方法，包括以下步骤：
步骤S1，本发明对Res2Net进行改进并将其作为特征提取网络，其使用新型的卷积方式代替ResNet中的卷积方式，ResNet经过1×1卷积后得到的特征图直接再进行3×3卷积，而Res2Net先采用1×1卷积将输入特征图拆分成4个特征子图，再对除第一个特征子图外每个特征子图进行3×3卷积。而本方法改进后的Res2Net对每一个特征子图都进行一次3×3卷积，将每个特征子图与上一个特征子图经过卷积输出的和作为该子图对应的3×3卷积的输入，最后将四个通道特征子图进行拼接再经过1×1卷积融合不同特征子图内信息。其中，特征提取模板包括模板分支与搜索分支：模板分支将视频序列第一帧作为模板区域
其中视频是由一帧一帧视频序列即图片组成，对视频序列进行特征提取得到特征图；搜索分支将随后的每一帧作为搜索区域
模板区域和搜索区域经过特征提取模块后得到特征图大小分别为
和
其中C为通道数，
其中，Hx0和Wx0是搜索区域的长和宽，Hz0和Wz0是模板区域的长和宽。
步骤S2，Transformer特征融合模块由两部分组成：特征融合循环层、解码器。特征融合循环层结构为自左向右的EDE结构，首先特征融合循环层中编码器先通过多头自注意力模块关注目标的语义信息，然后解码器同时接收本分支和另一分支的特征图，再通过多头互注意力模块融合来自两个分支的语义信息，充分捕获全局语义信息并关注物体的关键语义信息，最后在ED基础上加上编码器，挖掘目标深层语义信息。特征融合循环层循环N次，循环N次后的输出作为解码器的输入，融合模板分支和搜索分支的信息。Transformer特征融合模块对模板分支与搜索分支的特征图fz，fx进行特征融合。首先分别对fz和fx作1×1卷积降低通道维度减少参数量，1×1卷积后特征图维度为
d为特征图维度。然后再将特征图展平成特征向量，得到模板向量
和搜索向量
最后，将fz和fx进行特征融合得到输出向量
步骤S3，目标估计模块首先将特征向量
升维到特征图
分类分支直接对T上每个像素点预测类别得到分类图
回归分支计算像素点到边界框的距离得到回归图
中心度分支计算像素点到目标中心的距离得到中心度图
特征图上每一个点(i,j)都可以映射到输入搜索区域点(x,y)，(x0,y0)和(x1,y1)为真实边界框的左上角点和右下角点，对于分类图Acls每个点(i,j,:)包含一个2D向量，代表对应搜索区域前景背景置信度。对于回归图Areg上每个点(i,j,:)包含一个4D向量m(i,j)＝(l*,t*,r*,b*)，其中，l*、t*、r*、b*代表搜索区域点到边界框的左，上，右，下边界的距离，即left，top，right，bottom，代表输入搜索区域对应点到预测边界框四条边的距离，定义如下：
其中，x，y为搜索区域像素点坐标，(x0，y0)为左上角点坐标，(x1，y1)为右下角坐标，指示函数定义如下：
其中，mk(i，j)为4维向量，上标k＝0为l*，k＝1为t*，k＝2为r*，k＝3为b*。由于远离目标位置中心的像素点倾向于产生低质量的预测边界框，这会影响算法的跟踪性能，因此采取在分类分支基础上并行添加一个中心度分支从而去除异常值。中心度分支最后会生成中心度特征图Acen，Acen上每一个点(i,j,:)包含一个1D向量C(i,j)，代表搜索区域对应点和目标中心的距离：
如果点(x,y)落在背景区域，C(i,j)的值即为0。
本发明公开了一种孪生网络目标跟踪系统方法对目标进行跟踪。该发明使用改进后的Res2Net网络作为特征提取网络，通过扩大每个网络层的感受野以增强主干网络的特征提取能力。其次提出将EDE结构作为新的Transformer主体框架，即在循环层中自左向右添加编解码器，自适应地使算法建立特征关联获取全局语义信息并深度挖掘目标语义信息。最后以像素点为训练样本，并引入中心度分支抑制低质量边界框，减少了运算参数过多带来的高复杂度，从而简化了分类与回归任务的复杂程度。
实施例二：
一种孪生网络目标跟踪系统，包括：
采集模块：用于获取输入特征图；
卷积拆分模块：用于基于输入特征图进行卷积拆分，得到多个特征子图；
卷积融合模块：用于基于多个特征子图进行卷积融合，得到分支特征图；
特征融合模块：用于基于分支特征图进行特征融合，得到输出向量；
特征升维模块：用于基于输出向量进行升维处理，得到升维特征图；
分类分支模块：用于基于升维特征图进行分类分支，得到分类图、回归图和中心度图。
实施例三：
本发明实施例还提供了一种孪生网络目标跟踪装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行下述方法的步骤：
获取输入特征图；
基于输入特征图进行卷积拆分，得到多个特征子图；
基于多个特征子图进行卷积融合，得到分支特征图；
基于分支特征图进行特征融合，得到输出向量；
基于输出向量进行升维处理，得到升维特征图；
基于升维特征图进行分类分支，得到分类图、回归图和中心度图。
实施例四：
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现下述方法的步骤：
获取输入特征图；
基于输入特征图进行卷积拆分，得到多个特征子图；
基于多个特征子图进行卷积融合，得到分支特征图；
基于分支特征图进行特征融合，得到输出向量；
基于输出向量进行升维处理，得到升维特征图；
基于升维特征图进行分类分支，得到分类图、回归图和中心度图。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种孪生网络目标跟踪方法，其特征是，包括：
获取输入特征图；
基于输入特征图进行卷积拆分，得到多个特征子图；
基于多个特征子图进行卷积融合，得到分支特征图；
基于分支特征图进行特征融合，得到输出向量；
基于输出向量进行升维处理，得到升维特征图；
基于升维特征图进行分类分支，得到分类图、回归图和中心度图。
2.根据权利要求1所述的孪生网络目标跟踪方法，其特征是，
基于输入特征图进行卷积拆分，得到多个特征子图，包括：
采用1×1卷积将输入特征图拆分成多个特征子图。
3.根据权利要求2所述的孪生网络目标跟踪方法，其特征是，
基于多个特征子图进行卷积融合，得到分支特征图，包括：
将每个特征子图与上一个特征子图经过卷积输出的和作为该子图对应的输入进行3×3卷积；
将经过3×3卷积后的多个特征子图进行拼接；
基于拼接后的特征子图通过1×1卷积融合，得到模板分支与搜索分支的特征图。
4.根据权利要求3所述的孪生网络目标跟踪方法，其特征是，所述模板分支将视频序列第一帧作为模板区域
搜索分支将随后的每一帧作为搜索区域
模板区域和搜索区域经过特征提取模块后得到特征图大小分别为
和
其中C为通道数，
其中，Hx0和Wx0是搜索区域的长和宽，Hz0和Wz0是模板区域的长和宽。
5.根据权利要求3所述的孪生网络目标跟踪方法，其特征是，
基于分支特征图进行特征融合，得到输出向量，包括：
分别对模板分支与搜索分支的特征图作1×1卷积；
基于1×1卷积后的特征图展平成特征向量，得到模板向量和搜索向量；
基于模板向量和搜索向量进行特征融合，得到输出向量。
6.根据权利要求1所述的孪生网络目标跟踪方法，其特征是，
基于升维特征图进行分类分支，包括：
对升维特征图上每个像素点预测类别得到分类图；
通过回归分支计算像素点到边界框的距离得到回归图；
通过中心度分支计算像素点到目标中心的距离得到中心度图。
7.根据权利要求1所述的孪生网络目标跟踪方法，其特征是，所述特征子图的数量为四个。
8.一种孪生网络目标跟踪系统，其特征在于，包括：
采集模块：用于获取输入特征图；
卷积拆分模块：用于基于输入特征图进行卷积拆分，得到多个特征子图；
卷积融合模块：用于基于多个特征子图进行卷积融合，得到分支特征图；
特征融合模块：用于基于分支特征图进行特征融合，得到输出向量；
特征升维模块：用于基于输出向量进行升维处理，得到升维特征图；
分类分支模块：用于基于升维特征图进行分类分支，得到分类图、回归图和中心度图。
9.一种孪生网络目标跟踪装置，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～7任一项所述方法的步骤。
10.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111220959.2A CN113963204A (zh) | 2021-10-20 | 2021-10-20 | 一种孪生网络目标跟踪系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111220959.2A CN113963204A (zh) | 2021-10-20 | 2021-10-20 | 一种孪生网络目标跟踪系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113963204A true CN113963204A (zh) | 2022-01-21 |
Family
ID=79465693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111220959.2A Pending CN113963204A (zh) | 2021-10-20 | 2021-10-20 | 一种孪生网络目标跟踪系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113963204A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115063445A (zh) * | 2022-08-18 | 2022-09-16 | 南昌工程学院 | 基于多尺度层次化特征表示的目标跟踪方法与系统 |
-
2021
- 2021-10-20 CN CN202111220959.2A patent/CN113963204A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115063445A (zh) * | 2022-08-18 | 2022-09-16 | 南昌工程学院 | 基于多尺度层次化特征表示的目标跟踪方法与系统 |
| CN115063445B (zh) * | 2022-08-18 | 2022-11-08 | 南昌工程学院 | 基于多尺度层次化特征表示的目标跟踪方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109753913B (zh) | 计算高效的多模式视频语义分割方法 | |
| CN111179307A (zh) | 一种全卷积分类及回归孪生网络结构的视觉目标跟踪方法 | |
| CN111583097A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| CN111640089A (zh) | 一种基于特征图中心点的缺陷检测方法及装置 | |
| CN111696110B (zh) | 场景分割方法及系统 | |
| CN108009529A (zh) | 一种基于特征根和流体力学的森林火灾烟视频目标检测方法 | |
| CN113704531A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| CN111311611B (zh) | 一种实时三维大场景多对象实例分割的方法 | |
| CN112801047B (zh) | 缺陷检测方法、装置、电子设备及可读存储介质 | |
| CN115423846A (zh) | 多目标轨迹跟踪方法以及装置 | |
| CN112287906B (zh) | 一种基于深度特征融合的模板匹配跟踪方法及系统 | |
| CN116168017B (zh) | 一种基于深度学习的pcb元件检测方法、系统及存储介质 | |
| CN111681198A (zh) | 一种形态学属性滤波多模融合成像方法、系统及介质 | |
| CN113628244A (zh) | 基于无标注视频训练的目标跟踪方法、系统、终端及介质 | |
| CN111161325A (zh) | 基于卡尔曼滤波与lstm的三维多目标跟踪方法 | |
| CN111882581B (zh) | 一种深度特征关联的多目标跟踪方法 | |
| CN114155303B (zh) | 基于双目相机的参数立体匹配方法和系统 | |
| CN115330837A (zh) | 基于图注意力Transformer网络的鲁棒目标跟踪方法及系统 | |
| CN116229112A (zh) | 一种基于多重注意力的孪生网络目标跟踪方法 | |
| CN113963204A (zh) | 一种孪生网络目标跟踪系统及方法 | |
| US20160203612A1 (en) | Method and apparatus for generating superpixels for multi-view images | |
| CN116734834A (zh) | 应用于动态场景的定位建图方法、装置和智能设备 | |
| CN110223320A (zh) | 物体检测跟踪方法和检测跟踪装置 | |
| CN112884730A (zh) | 一种基于协作学习的协同显著性物体检测方法及系统 | |
| CN113129332A (zh) | 执行目标对象跟踪的方法和装置 |
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 |