基于多分支注意力孪生网络的目标跟踪算法

作     者：余陆斌 田联房 杜启亮 YU Lubin;TIAN Lianfang;DU Qiliang

作者机构：华南理工大学自动化科学与工程学院广东广州510640 工业和信息化部电子第五研究所广东广州511370 南方海洋科学与工程广东实验室广东珠海519000 华南理工大学自主系统与网络控制教育部重点实验室广东广州510640 华南理工大学中新国际联合研究院广东广州510555 

出 版 物：《华南理工大学学报（自然科学版）》 (Journal of South China University of Technology(Natural Science Edition))

年 卷 期：2022年第50卷第12期

页      面：30-40页

核心收录：

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：广东省重点领域研发计划项目(2018B010109001,2020B1111010002,2019B020214001) 广东省海洋经济发展专项(GDNRC018) 

主　　题：目标跟踪 孪生网络 超分辨率 数据增强 注意力模块 

摘      要：目标跟踪在计算机视觉任务中有重要的意义。近年来随着深度学习的发展,基于孪生网络的目标跟踪算法因其优异的性能而被广泛应用。然而,现有基于孪生网络的跟踪算法在目标发生较大形变、低分辨率、复杂背景等情况下的跟踪性能通常会显著下降。为此,文中提出了一种基于多分支注意力孪生网络的目标跟踪算法。该算法首先构建了超分辨率模块和数据增强模块,分别对目标模板进行超分辨率和数据增强,提升目标模板的特征表征能力;然后利用3个主干网络分别提取原始目标模板、超分辨率目标模板和数据增强目标模板的特征,并进行特征融合,同时在主干网络中应用了通道注意力模块和空间注意力模块,以提升特征提取能力;最后,将融合后的特征图与待搜索区域的特征图输入区域生成网络模块,得到目标跟踪信息。实验结果表明,该算法在OTB100数据集上的精确率为0.919、成功率为0.707,在VOT2018数据集上的准确率为0.642、鲁棒性为0.149,在实际场景中的运行速度每秒至少20次,说明该算法具有优异的跟踪性能,并且在各种复杂场景下都具有良好的鲁棒性。