-
Patent Agency Ranking
公开(公告)号：CN116343006A
公开(公告)日：2023-06-27
申请号：CN202310269544.7
申请日：2023-03-20
Applicant: 南京大学
IPC: G06V10/82 , G06N3/0495 , G06N3/045 , G06N3/048 , G06N3/096
Abstract: 基于知识蒸馏的渐进式跟踪模型压缩方法、设备及介质，通过知识蒸馏方式,以教师模型‑助教模型‑学生模型多级蒸馏，并在蒸馏中通过动态的衰退系数来逐渐削弱直至撤除需要撤去的层，实现渐进式压缩单流跟踪模型，得到轻量化的跟踪器FOST，所述单流跟踪模型基于Transformer，对于输入的模板和搜索图片同时进行特征提取和信息融合。本发明通过渐进式的撤去层数和助教网络，克服了Transformer模型深度压缩过程中的特征不匹配和不连续问题，有效地传递教师模型信息，本发明提出的跟踪器也因此能够同时须有高精度和高速度，并首次使单流跟踪器能够在CPU上部署。
-
公开(公告)号：CN114550040A
公开(公告)日：2022-05-27
申请号：CN202210152336.4
申请日：2022-02-18
Applicant: 南京大学
IPC: G06V20/40 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 一种基于混合注意力机制的端到端单目标跟踪方法，构建一个基于Transformer跟踪的跟踪框架MixFormer，用于目标跟踪，跟踪框架的构建包括以下步骤：1)数据准备阶段；2)网络配置阶段；3)离线训练阶段；4)在线跟踪阶段。本发明采用了基于混合注意力的骨干网络来同时进行特征提取与目标信息融合，得到了一个简洁清晰的跟踪框架，并且能有效地提升性能。此外，本发明的跟踪方法能对跟踪过程中的物体变形有更好的适应能力，有效地提升目标回归的精度。
-
公开(公告)号：CN113538507B
公开(公告)日：2023-11-17
申请号：CN202010293393.5
申请日：2020-04-15
Applicant: 南京大学
Abstract: 本发明提出了一种基于全卷积网络在线训练的目标追踪方法，包括以下步骤：1)生成训练样例阶段；2)网络的配置阶段；3)离线训练阶段；4)在线跟踪阶段；本发明通过设计的完全端到端训练的全卷积网络，采用生成目标分类和目标回归模板来指导分类和回归任务，以及在线更新分类和回归模板的策略，来实现目标追踪任务。本发明通过一个简洁的全卷积网络结构以及对分类和回归模板进行在线优化，获得了鲁棒性强且精度高的单目标跟踪方法。
-
公开(公告)号：CN115115667A
公开(公告)日：2022-09-27
申请号：CN202110289022.4
申请日：2021-03-18
Applicant: 南京大学
Abstract: 一种基于目标变换回归网络的精确目标跟踪方法，包括以下步骤：1)生成训练样例阶段；2)网络的配置阶段；3)离线训练阶段；4)在线跟踪阶段。本发明设计的目标变换回归网络，将待测视频第一帧的目标信息融入待跟踪视频帧的回归分支中，并且在目标框回归中引入了在线更新的机制，实现目标跟踪。相比现有的无锚框跟踪方法，本发明的跟踪方法能对跟踪过程中的物体变形有更好的适应能力，有效地提升目标回归的精度。
-
公开(公告)号：CN113538507A
公开(公告)日：2021-10-22
申请号：CN202010293393.5
申请日：2020-04-15
Applicant: 南京大学
Abstract: 本发明提出了一种基于全卷积网络在线训练的目标追踪方法，包括以下步骤：1)生成训练样例阶段；2)网络的配置阶段；3)离线训练阶段；4)在线跟踪阶段；本发明通过设计的完全端到端训练的全卷积网络，采用生成目标分类和目标回归模板来指导分类和回归任务，以及在线更新分类和回归模板的策略，来实现目标追踪任务。本发明通过一个简洁的全卷积网络结构以及对分类和回归模板进行在线优化，获得了鲁棒性强且精度高的单目标跟踪方法。
-
-
-
-
Search Results
5
records
(took 0.015 seconds)
