-
公开(公告)号：CN118691852A
公开(公告)日：2024-09-24
申请号：CN202411192503.3
申请日：2024-08-28
Applicant: 南昌工程学院
IPC: G06V10/62 , G06V10/25 , G06V10/764 , G06V10/766 , G06V10/75 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/09 , G06N3/048
Abstract: 本发明提出一种基于双softmax注意力的单流单阶段目标跟踪方法与系统，该方法基于ViT模型，将ViT模型中的编码器替换为基于双softmax注意力的编码器，得到目标跟踪模型，并将模板和搜索区域的图像输入目标跟踪模型，通过双softmax注意力的编码器，对模板图像及搜索区域图像进行统一特征学习，以在模板和搜索区域之间建立自由信息流，得到具有目标导向性的特征信息；并将结果送入预测头分别进行分类和回归操作，以获取目标跟踪结果。本发明融合了线性注意力机制和softmax注意力机制的特性，同时具有较低的计算复杂度和较高的模型表达能力，使跟踪器在降低计算成本的同时实现良好的跟踪性能。
-
公开(公告)号：CN118096836A
公开(公告)日：2024-05-28
申请号：CN202410513674.5
申请日：2024-04-26
Applicant: 南昌工程学院
Abstract: 本发明提出一种基于旋转等变网络与三重注意力机制目标跟踪方法与系统，该方法在特征提取过程中通过三重注意力机制模块通过捕获三个分支之间的跨维相互作用信息，在进行多头自注意力计算，以增强给定的目标图像和搜索区域目标图像的全局上下文相关信息，再将所得特征图，通过旋转等变网络对进行旋转操作和剩余转换构建维间依赖关系，得到具有完全旋转不变性的特征图，再利用具有完全旋转不变性的特征图进行后续分类回归操作。本发明可提高目标图像和搜索区域目标图像的全局匹配的准确性，实现更准确的跟踪。
-
公开(公告)号：CN118015048A
公开(公告)日：2024-05-10
申请号：CN202410417455.7
申请日：2024-04-09
Applicant: 南昌工程学院
IPC: G06T7/246 , G06V10/40 , G06V10/764 , G06V10/774
Abstract: 本发明提出一种基于残差网络和群体混合注意力的目标跟踪方法与系统，该方法包括，采用深度残差网络和群体混合注意力对模板分支以及搜索分支的目标图像特征进行提取，得到模板图像特征和搜索图像特征；再将模板图像特征输入模型预测模块进行训练，得到最优预测模型，再将最优预测模型的权重应用于搜索图像特征，再经过卷积计算出目标置信度分数，确定目标中心位置；利用模板图像特征和初始边界框获取调制向量，再将搜索图像特征、提议边界框以及调制向量输入IoU预测器中，估算每个提议边界框的IoU，以确定与初始边界框重叠最多的提议边界框，即目标的最终边界框。本发明可有效利用目标和背景外观信息，实现高精度和强泛化能力的跟踪。
-
公开(公告)号：CN117710688A
公开(公告)日：2024-03-15
申请号：CN202311697673.2
申请日：2023-12-12
Applicant: 南昌工程学院
IPC: G06V10/44 , G06V10/80 , G06V10/82 , G06V10/42 , G06N3/0464
Abstract: 本发明公开一种基于卷积和注意力相结合特征提取的目标跟踪方法及系统，涉及计算机视觉与图像处理领域，包括：对给定的第一帧图像以及每一后续帧图像的搜索区域分别进行初始化，得到目标模板图像和搜索图像；构建特征提取网络；特征提取子网络包括卷积模块、依次连接的多个分层特征模块和完全连接层；每一分层特征模块包括采用自注意力操作提取全局信息的全局分支和采用注意力和卷积相结合的操作提取局部信息的局部分支；将目标模板图像和每一搜索图像分别应用特征提取网络进行特征提取，对提取的特征进行卷积操作，获得每一后续帧图像中搜索区域的目标响应位置。本发明通过卷积和注意力相结合的轻量级特征提取网络提升目标跟踪效率和准确性。
-
公开(公告)号：CN116109678B
公开(公告)日：2023-06-13
申请号：CN202310372849.0
申请日：2023-04-10
Applicant: 南昌工程学院
IPC: G06T7/246 , G06V20/40 , G06V10/62 , G06V10/82 , G06V10/74 , G06V10/764 , G06V10/766 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/048
Abstract: 本发明提出一种基于上下文自注意力学习深度网络的目标跟踪方法与系统，所述方法包括：基于卷积神经网络模型与上下文自注意力学习模块，构建得到特征提取网络模型；利用区域建议网络分别对提取后的目标模板图像特征和搜索区域图像特征在分类分支和回归分支上分别进行特征融合深度卷积计算，得到对应的相似度得分图，最后将最大相似度得分值对应的相似度得分图确定为跟踪定位目标。在本发明中，通过重构所得到的特征提取网络，可增强模板分支与搜索分支的全局信息表示能力和自注意力学习能力，有利于区域建议网络的分类回归分支的相似度计算，最终实现更加精确的跟踪。
-
Patent Agency Ranking
-
-
公开(公告)号：CN116109678A
公开(公告)日：2023-05-12
申请号：CN202310372849.0
申请日：2023-04-10
Applicant: 南昌工程学院
IPC: G06T7/246 , G06V20/40 , G06V10/62 , G06V10/82 , G06V10/74 , G06V10/764 , G06V10/766 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/048
Abstract: 本发明提出一种基于上下文自注意力学习深度网络的目标跟踪方法与系统，所述方法包括：基于卷积神经网络模型与上下文自注意力学习模块，构建得到特征提取网络模型；利用区域建议网络分别对提取后的目标模板图像特征和搜索区域图像特征在分类分支和回归分支上分别进行特征融合深度卷积计算，得到对应的相似度得分图，最后将最大相似度得分值对应的相似度得分图确定为跟踪定位目标。在本发明中，通过重构所得到的特征提取网络，可增强模板分支与搜索分支的全局信息表示能力和自注意力学习能力，有利于区域建议网络的分类回归分支的相似度计算，最终实现更加精确的跟踪。
-
公开(公告)号：CN115272419A
公开(公告)日：2022-11-01
申请号：CN202211177692.8
申请日：2022-09-27
Applicant: 南昌工程学院
Abstract: 本发明提出一种基于混合卷积与自注意力的聚合网络目标跟踪方法与系统，通过卷积操作得到对应的模板特征和搜索特征，分别作为聚合模块的输入特征，输入特征经过卷积操作后得到中间特征；聚合模块共享一个卷积操作，聚合模块中的混合卷积采用深度卷积和逐点卷积来分离中间特征的空间和信道的混合，在增大感受野的同时减少空间和信道特征冗余；聚合模块中的自注意力模块对中间特征进行学习，并自适应地聚焦不同区域以捕获更多的全局相关性；最后将混合卷积与自注意力模块的输出特征相加，经过随机失活层得到最终的输出特征，输出特征聚合了局部和全局上下文信息。本发明可缓解网络在训练过程的过拟合，提高跟踪器的泛化能力。
-
公开(公告)号：CN115063445A
公开(公告)日：2022-09-16
申请号：CN202210993495.7
申请日：2022-08-18
Applicant: 南昌工程学院
Abstract: 本发明提出一种基于多尺度层次化特征表示的目标跟踪方法与系统，所述方法包括：对输入图像数据进行增强以得到搜索区域图像；通过将特征识别器模块嵌入在层次化特征提取网络中的前三个卷积块之后，以构建得到层次化特征提取模块；将目标模板图像集与搜索区域图像输入到孪生神经网络框架中，通过层次化特征提取网络分别对模板分支和搜索区域的目标图像特征进行学习，以得到相应的模板特征与搜索特征；将模板特征输入到编码器中，使得单个模板特征进行增强，以获得编码特征；将模板特征与编码特征映射在同一特征空间中，将搜索特征与模板融合特征输入至解码器，以实现鲁棒的目标跟踪。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.025 seconds)
