检索结果-南通市图书馆

作者：马靖媛西安邮电大学

学位级别：硕士

视觉跟踪作为计算机视觉中的一项基础任务,近年来受到了广泛关注。它是理解和智能分析视频内容的一个关键技术,其应用领域遍及视觉导航、视频监控和军事等多个方面。随着研究人员在视觉跟踪领域的深入研究,视觉跟踪技术取得了飞速发展... 详细信息

视觉跟踪作为计算机视觉中的一项基础任务,近年来受到了广泛关注。它是理解和智能分析视频内容的一个关键技术,其应用领域遍及视觉导航、视频监控和军事等多个方面。随着研究人员在视觉跟踪领域的深入研究,视觉跟踪技术取得了飞速发展。但大多数研究都集中在针对较短视频和始终可见目标的短时视觉跟踪上,这与实际应用之间有着较大的差距。与短时视觉跟踪相比,长时视觉跟踪更加接近实际应用。长时跟踪数据集中的帧数也远大于短时数据集中的帧数,并且存在大量的缺失标签,目标的遮挡和消失情况较多。对于短时跟踪算法来说,处理上述长时跟踪问题是非常困难的。而将全局重检测方法作为后处理模块与短时跟踪算法相结合,是解决长时跟踪问题的常用方式。因此,对于长时视觉跟踪中全局重检测方法的研究具有非常重要的意义。目前,全局重检测方法在精确度和速度方面存在许多不足,如何设计一个精度较高且快速的全局重检测方法是一个值得深入研究的问题。本文的主要创新点和贡献如下:(1)选取Global Track算法作为重检测方法,针对该算法中目标特征提取和建模能力不足、未利用到历史帧信息的问题,提出一种基于交互融合注意力的时序全局重检测。首先,使用Res Net50作为特征提取网络,获取模板和搜索区域的深度特征;然后,加入新的交互融合注意力来提取不同维度特征之间的联系;最后,引入基于时间注意力的感兴趣区域提取来进行候选框选取,增加重检测方法对于历史信息的使用,提升目标定位的准确性。选取STMTrack算法作为短时跟踪算法,并与所提出的重检测方法共同构建长时跟踪算法,在UAV123、La SOT、UAV20L和VOT2018-LT数据集上进行实验,从实验结果中可以看出该重检测方法的有效性。(2)为进一步提升重检测方法的精确度,并解决该方法不易于即插即用的问题,提出了一种基于Gumbel-Softmax的多模板全局重检测。首先,通过跟踪算法产生的最大响应值和平均峰值相关能量共同判断跟踪结果,并累积三帧模板;接着,使用VGG网络提取模板和搜索图像特征;然后,引入Gumbel-Softmax采样方法进行全局采样,生成多个目标候选框;最后,通过颜色相似度和余弦相似度共同确定最终目标位置。为验证所提出的重检测方法的性能,将该模块分别与四种短时跟踪算法(STMTrack、Keep Track、Super Di MP和Di MP50)进行组合,来构建长时跟踪算法。在UAV123、UAV20L、La SOT、VOT2018-LT和VOT2020-LT中进行测试,实验结果证明了该方法的有效性。(3)为进一步解决重检测方法速度较慢的问题,提出一种基于轻量级网络的快速全局重检测。并将该方法与改进后跟踪算法进行结合,构成了一个长时视觉跟踪算法。首先,将所提出的轻量级全局重检测方法作为判定目标丢失后的处理环节。在该方法中,使用轻量级的卷积网络和快速的相似度判断策略,加快了重检测速率,并引入XNorm约束辅助Softmax进行特征采样,提高定位准确性。然后,在短时跟踪算法Siam RPN中加入二阶通道与区域空间融合的注意力模块,以提高算法的短时跟踪性能;最后,将全局重检测方法与改进后的短时跟踪算法结合,实现了一个快速的长时视觉跟踪算法。在OTB100、La SOT、UAV20L、VOT2018-LT和VOT2020-LT上进行了测试,证明了所提出算法的有效性。

关键词：长时视觉跟踪全局重检测卷积神经网络注意力机制模板选择

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的快速长时视觉跟踪算法

引用

北京航空航天大学学报 2023年

作者：侯志强马靖媛韩若雪马素刚余旺盛范九伦西安邮电大学陕西省网络数据分析与智能处理重点实验室空军工程大学信息与导航学院西安邮电大学计算机学院

在目标尺寸变化、遮挡和出视场等复杂长时跟踪环境下，现有基于深度学习的视觉跟踪算法很难对目标进行实时准确的跟踪，针对该问题，本文提出一种快速的长时视觉跟踪算法，该算法由一个快速短时跟踪算法和一个快速全局重检测模块组成。... 详细信息

在目标尺寸变化、遮挡和出视场等复杂长时跟踪环境下，现有基于深度学习的视觉跟踪算法很难对目标进行实时准确的跟踪，针对该问题，本文提出一种快速的长时视觉跟踪算法，该算法由一个快速短时跟踪算法和一个快速全局重检测模块组成。首先在基准算法SiamRPN中加入二阶通道与区域空间融合的注意力模块作为短时跟踪算法，在保证快速性的同时，提高了算法的短时跟踪精确度和成功率；然后，为使改进后的短时跟踪算法具有快速的长时跟踪能力，在算法中加入了本文提出的基于模板匹配的全局重检测模块，该模块使用轻量级网络和快速的相似度判断方法，加快了重检测速率。所提算法在5个数据集上进行了测试(OTB100，LaSOT，UAV20L，VOT2018-LT和VOT2020-LT)，实验结果表明，本文算法在长时跟踪中具有优越的跟踪性能，平均跟踪速度达到104FPS。

关键词：长时视觉跟踪深度学习二阶通道注意力区域空间注意力全局重检测

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

基于深度学习的局部-全局结合快速长时目标跟踪算法

基于深度学习的局部-全局结合快速长时目标跟踪算法

引用

作者：唐康太广东技术师范大学

学位级别：硕士

目标跟踪作为计算机视觉的一个研究分支,在多个领域具有广泛的应用前景。目标跟踪可以分为短时跟踪和长时跟踪,其中,长时目标跟踪相比短时跟踪更接近实际应用,同时面临更为复杂的跟踪挑战因素。然而现阶段长时跟踪算法仅有少量研究,在... 详细信息

目标跟踪作为计算机视觉的一个研究分支,在多个领域具有广泛的应用前景。目标跟踪可以分为短时跟踪和长时跟踪,其中,长时目标跟踪相比短时跟踪更接近实际应用,同时面临更为复杂的跟踪挑战因素。然而现阶段长时跟踪算法仅有少量研究,在性能和实时性上仍有优化空间。本文针对长时跟踪场景的局部相似物背景干扰问题、目标形变导致边界框定位不够精准问题以及目标多次消失和重新显现等挑战因素,进行分析和研究,本文的主要工作包括以下三个方面:(1)为应对长时目标跟踪任务中的复杂挑战,本文提出一种基于深度网络的局部-全局搜索相结合的快速长时目标跟踪算法。其中局部搜索用于在局部范围内跟踪目标、对潜在的目标进行确认和对边界框进行进一步的定位校准,而全局搜索用于重新检测丢失的跟踪目标。另外局部搜索和全局搜索都是离线训练的,可以在跟踪过程中直接使用,所提出的长时跟踪框架简洁而高效。(2)在局部搜索中,针对长时跟踪场景下的局部相似物干扰导致漂移和物体形变或遮挡等因素导致定位框不够精确的问题,本文提出了一个抗相似物背景干扰的轻量级验证器和引入一个边界框校准精细模块,通过结合跟踪目标的时序上下文位置信息以及模板帧的真实边界框,来防止跟踪器发生漂移现象和对跟踪结果进行逐像素相关高质量特征表示,从而提升跟踪精准度。实验证明,提出的高效局部搜索算法对目标背景相似物干扰以及目标形变等挑战具有较好的适应性。(3)在全局搜索中,针对长时跟踪场景下目标反复消失以及重新显现的问题,本文提出了一种基于轻量级注意力的快速重检测算法。该方法通过使用轻量级注意力学习到合适的目标表征特征,使其能快速有效地估计丢失目标的潜在位置。全局重检测算法旨在查找目标最可能存在的潜在位置,之后将结果送入局部搜索进行精确查找定位跟踪。引入轻量级注意力网络降低了参数量和计算量,使全局重检测算法能快速且有效地运行。本文将提出的局部搜索算法和全局搜索算法相结合,组成局部-全局结合的快速长时目标跟踪算法,并在主流的大型长时目标跟踪数据集上与流行的长时跟踪算法进行比较,实验表明,提出的长时跟踪算法在处理目标反复消失和重新显现、相似物背景干扰以及目标形变等挑战方面具有较好的适应性和实时性。

关键词：长时目标跟踪孪生网络局部搜索全局重检测算法研究

来源：

同方学位论文库评论

在线全文

同方学位论文库

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

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

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：