检索结果-南通市图书馆

计算机工程与应用 2024年

作者：田攀帅葛海波安玉薛紫涵西安邮电大学电子工程学院

针对目标跟踪中网络模型加深导致低级特征丢失和速度与精度不平衡的问题，提出了一种融合注意力与残差连接的VIT跟踪算法MRATrans(Multi-head Residual Attention Transformer)。使用MobileViT作为主干网络，在保持较低模型复杂度的同... 详细信息

针对目标跟踪中网络模型加深导致低级特征丢失和速度与精度不平衡的问题，提出了一种融合注意力与残差连接的VIT跟踪算法MRATrans(Multi-head Residual Attention Transformer)。使用MobileViT作为主干网络，在保持较低模型复杂度的同时实现了丰富的特征表示。首先，提出残差注意力模块（Residual attention module，RAM），有效防止低级特征丢失问题，并设计了多头残差注意力（Multi-head residual attention，MHRA）模块，同时关注不同子空间表示的信息，进一步提高了模型的表达能力；此外，构建密集像素相关（Dense pixel correlation，DPC）模块计算模板和搜索区域的相似性，避免空间失真，获得具有更丰富语义信息的响应图；最后通过分类回归网络实现准确的跟踪。通过OTB100、VOT2018和GOT-10K数据集上的大量实验，证明了MRATrans与主流算法相比拥有更优的性能，并达到87帧/s的速度，在保持高效性的同时实现了准确的跟踪。

关键词：目标跟踪特征丢失孪生网络残差注意力像素互相关

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

融合像素互相关的Transformer跟踪算法

引用

计算机工程与应用 2024年

作者：薛紫涵葛海波杨雨迪田攀帅西安邮电大学电子工程学院

Siamese网络互相关操作的局部匹配性无法有效获得全局上下文信息，而Transformer网络依赖全局关系获得语义信息，但需要更多的局部边缘信息来区分目标和背景。因此，提出了一种结合像素互相关(Pixel-wise Cross-correlation，PW-Corr)和... 详细信息

Siamese网络互相关操作的局部匹配性无法有效获得全局上下文信息，而Transformer网络依赖全局关系获得语义信息，但需要更多的局部边缘信息来区分目标和背景。因此，提出了一种结合像素互相关(Pixel-wise Cross-correlation，PW-Corr)和Transformer的目标跟踪算法。构建并行编码器并采用非线性重加权注意力(Non-linear Reweighting Attention，NRA)提高Transformer获取全局上下文的能力；设计解码器并融合像素互相关从空间和通道两方面的交互提高特征融合的精确度，过滤多余背景干扰。分类回归任务使用一个基于多层感知器(Multi Layer Perceptron，MLP)的分类头和具有全局上下文感知模块(Global Context Awareness Module，GCAM)的回归头，捕捉全局信息同时提取目标局部信息，促进算法对跟踪目标的准确定位。实验结果表明，改进后的算法在OTB100数据集上成功率和准确率分别可达70.6%、92.1%，提高了跟踪的成功率和准确率。

关键词： Transformer网络像素互相关注意力机制全局上下文感知

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：