一种基于跨层特征融合和排序损失的单目标跟踪方法

    公开(公告)号:CN119723263A

    公开(公告)日:2025-03-28

    申请号:CN202411763673.2

    申请日:2024-12-03

    Abstract: 本发明提供一种基于跨层特征融合和排序损失的单目标跟踪方法,包括:利用孪生网络对模板图像和搜索图像进行特征提取,得到模板特征和搜索特征;利用跨层特征融合模块计算模板特征和搜索特征之间的相关性,得到响应图;将响应图送入分类‑回归子网络,分类分支用于预测每个位置的类别,回归分支用于计算位置的目标边界框;引入排序损失函数,计算损失;使用公开数据集COCO、DET、VID、YouTube‑BB、GOT‑10K训练集和LaSOT训练集对模型进行训练;在公开数据集OTB‑100、UAV123、LaSOT测试集和GOT‑10K测试集上测试模型性能,预测得到目标的边界框。本发明技术方案解决了跟踪器容易被干扰物欺骗以及分类和定位不匹配的问题,提高了预测的成功率和精确度。

    一种基于TSH压缩和DBSCAN聚类的船舶轨迹分析方法

    公开(公告)号:CN116204518A

    公开(公告)日:2023-06-02

    申请号:CN202310022194.4

    申请日:2023-01-06

    Abstract: 本发明提供一种基于TSH压缩和DBSCAN聚类的船舶轨迹分析方法,包括:对船舶轨迹进行清洗;利用TSH对船舶轨迹进行压缩;利用Hausdorff距离进行轨迹之间的相似性度量,并得到相似性度量矩阵;利用DBSCAN对得到的相似性度量矩阵进行聚类;计算综合指标SCCH得分,根据SCCH得分的变化曲线,选择最佳的初始参数,实现参数的自适应选择。本发明解决了船舶轨迹压缩质量问题,考虑了AIS数据的多维信息(经度、纬度、时间、航速和航向);针对DBSCAN聚类参数难以确定的问题,提出了聚类结果的综合评价指标SCCH,根据SCCH得分实现参数的自适应选择。本发明对分析船舶轨迹提供了新思路,得到的船舶轨迹划分有着良好的聚类效果,对于辅助船舶轨迹异常检测及挖掘海上交通特征具有重要意义。

Patent Agency Ranking