-
公开(公告)号：CN111274917A
公开(公告)日：2020-06-12
申请号：CN202010051443.9
申请日：2020-01-17
Applicant: 江南大学
Abstract: 本发明公开了一种基于深度检测的长时目标跟踪方法，属于模式识别和智能信息处理领域。本发明的方法采用MDNet深度检测跟踪框架，通过在难分样本挖掘的基础上改进收缩损失函数，解决采样时的正负样本不均衡问题；然后在线跟踪时设计并维护高置信度保留样本池，保留首帧目标和高置信度结果样本特征，利用保留样本池进行在线训练更新模型参数；最后，通过模型计算在前帧目标位置周围高斯采样出的候选样本的置信度，从而追踪运动目标位置并通过有效更新维持模型鲁棒性。本发明方法在复杂长时跟踪环境下保持了优越的跟踪精度和成功率，能够在目标被遮挡和出视野后重现时准确定位目标位置，满足实际工程系统的设计需求。
-
公开(公告)号：CN112164094B
公开(公告)日：2024-10-15
申请号：CN202011004976.8
申请日：2020-09-22
Applicant: 江南大学
IPC: G06T7/246 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于孪生网络的快速视频目标跟踪方法，属于模式识别和智能信息处理领域。该方法利用残差连接和通道注意力机制改进SiamFC孪生网络模型的模板分支，得到SiamRCCA模型，并设定相似性响应图的损失掩码Maskn×n，并在离线训练SiamRCCA模型时根据Maskn×n提高难分样本损失值的权重，增强了对相似语义目标的辨别力，解决了跟踪过程中目标形变、相似物体干扰等复杂情况下容易跟踪漂移或丢失的问题，且SiamRCCA模型为非对称结构，即残差连接和注意力模块均只应用于模板分支即对首帧目标的特征提取阶段，避免了在双分支网络中简单地增加网络层而影响跟踪速度，同时充分利用第一帧目标信息，提升了模型的跟踪精度。
-
公开(公告)号：CN111274917B
公开(公告)日：2023-07-18
申请号：CN202010051443.9
申请日：2020-01-17
Applicant: 江南大学
IPC: G06V20/40 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于深度检测的长时目标跟踪方法，属于模式识别和智能信息处理领域。本发明的方法采用MDNet深度检测跟踪框架，通过在难分样本挖掘的基础上改进收缩损失函数，解决采样时的正负样本不均衡问题；然后在线跟踪时设计并维护高置信度保留样本池，保留首帧目标和高置信度结果样本特征，利用保留样本池进行在线训练更新模型参数；最后，通过模型计算在前帧目标位置周围高斯采样出的候选样本的置信度，从而追踪运动目标位置并通过有效更新维持模型鲁棒性。本发明方法在复杂长时跟踪环境下保持了优越的跟踪精度和成功率，能够在目标被遮挡和出视野后重现时准确定位目标位置，满足实际工程系统的设计需求。
-
公开(公告)号：CN112164094A
公开(公告)日：2021-01-01
申请号：CN202011004976.8
申请日：2020-09-22
Applicant: 江南大学
Abstract: 本发明公开了一种基于孪生网络的快速视频目标跟踪方法，属于模式识别和智能信息处理领域。该方法利用残差连接和通道注意力机制改进SiamFC孪生网络模型的模板分支，得到SiamRCCA模型，并设定相似性响应图的损失掩码Maskn×n，并在离线训练SiamRCCA模型时根据Maskn×n提高难分样本损失值的权重，增强了对相似语义目标的辨别力，解决了跟踪过程中目标形变、相似物体干扰等复杂情况下容易跟踪漂移或丢失的问题，且SiamRCCA模型为非对称结构，即残差连接和注意力模块均只应用于模板分支即对首帧目标的特征提取阶段，避免了在双分支网络中简单地增加网络层而影响跟踪速度，同时充分利用第一帧目标信息，提升了模型的跟踪精度。
-
-
-
Search Results
4
records
(took 0.017 seconds)
