-
公开(公告)号：CN114841310B
公开(公告)日：2024-09-10
申请号：CN202210314824.0
申请日：2022-03-28
Applicant: 西北工业大学
IPC: G06N3/045 , G06N3/0464 , G06N3/0499 , G06T7/246 , G06T7/194 , G06V10/25 , G06V10/82
Abstract: 本发明涉及一种视觉目标跟踪方法、装置、电子设备和计算机可读存储介质。该方法包括：构造目标网络模型，其中，该目标网络模型包括多个阶段，该多个阶段中的每个阶段使用独立的注意力变换模块，该目标网络模型包括的模板分支和搜索分支共享相同的网络权重；根据该目标网络模型进行目标跟踪。通过本发明实施例，解决了相关技术中已有网络模型在进行目标外观表征时仅依赖于卷积模型，从而难以对搜索区域内的全局信息的相关性进行建模，从而限制了跟踪算法在复杂场景下的泛化性的技术问题，达到了提高目标跟踪精度的技术效果。
-
-
公开(公告)号：CN112465861B
公开(公告)日：2024-05-10
申请号：CN202011303315.5
申请日：2020-11-19
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于自适应掩膜的相关滤波视觉目标跟踪方法，本发明将通过将自适应掩膜引入相关滤波器目标函数，从而自适应地引入有利于跟踪的背景信息到过滤器中，并抑制相关性较差的信息；其次，对于边界框内的目标区域，对可靠区域赋予较高权重并抑制快速变化的区域，并在跟踪过程中，根据目标及其周围环境的变化来自适应地调整掩膜参数。在此基础上，提出一致性约束项，以促进自适应掩膜的鲁棒性，从而有效地集成前景和背景中特定信息，提高视觉目标跟踪的稳定性。
-
公开(公告)号：CN112465862A
公开(公告)日：2021-03-09
申请号：CN202011334712.9
申请日：2020-11-24
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于跨域深度卷积神经网络的视觉目标跟踪方法，首先在VGG网络架构基础上构建深度卷积神经网络模型，只保留VGG网络架构前三个卷积层Conv1‑Conv3和两个全连接层FC4‑FC5，在第二个全连接层FC5之后连接多域全连接层；然后随机取出1个训练集序列，构建正样本、负样本和难例负样本对网络模型进行训练，当达到预先设定的训练次数时结束训练，即得到最终用于目标跟踪的深度卷积神经网络模型。本方法充分利用跨域的信息进行离线训练，提高了模型对于目标和背景的分辨力，并通过多任务学习显著提高视觉目标跟踪的精度。
-
公开(公告)号：CN112465861A
公开(公告)日：2021-03-09
申请号：CN202011303315.5
申请日：2020-11-19
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于自适应掩膜的相关滤波视觉目标跟踪方法，本发明将通过将自适应掩膜引入相关滤波器目标函数，从而自适应地引入有利于跟踪的背景信息到过滤器中，并抑制相关性较差的信息；其次，对于边界框内的目标区域，对可靠区域赋予较高权重并抑制快速变化的区域，并在跟踪过程中，根据目标及其周围环境的变化来自适应地调整掩膜参数。在此基础上，提出一致性约束项，以促进自适应掩膜的鲁棒性，从而有效地集成前景和背景中特定信息，提高视觉目标跟踪的稳定性。
-
Patent Agency Ranking
公开(公告)号：CN107633105B
公开(公告)日：2020-09-08
申请号：CN201710564030.9
申请日：2017-07-12
Applicant: 西北工业大学
IPC: G06F30/20 , G06F119/14
Abstract: 本发明涉及一种基于改进混合蛙跳算法的四旋翼无人机参数辨识方法，以混合蛙跳算法为基础，通过对算法中蛙跳规则改进，提高了混合蛙跳算法的全局收敛速度，并根据四旋翼无人机参数特性，对适应度函数进行设计，减少算法的计算复杂度，提高对四旋翼无人机多参数辨识的效率。该方法具有一定的普适性，能够实现对大多数具有非线性和强耦合度系统的参数辨识。
-
-
公开(公告)号：CN112465862B
公开(公告)日：2024-05-24
申请号：CN202011334712.9
申请日：2020-11-24
Applicant: 西北工业大学
IPC: G06T7/246 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于跨域深度卷积神经网络的视觉目标跟踪方法，首先在VGG网络架构基础上构建深度卷积神经网络模型，只保留VGG网络架构前三个卷积层Conv1‑Conv3和两个全连接层FC4‑FC5，在第二个全连接层FC5之后连接多域全连接层；然后随机取出1个训练集序列，构建正样本、负样本和难例负样本对网络模型进行训练，当达到预先设定的训练次数时结束训练，即得到最终用于目标跟踪的深度卷积神经网络模型。本方法充分利用跨域的信息进行离线训练，提高了模型对于目标和背景的分辨力，并通过多任务学习显著提高视觉目标跟踪的精度。
-
公开(公告)号：CN114841310A
公开(公告)日：2022-08-02
申请号：CN202210314824.0
申请日：2022-03-28
Applicant: 西北工业大学
Abstract: 本发明涉及一种视觉目标跟踪方法、装置、电子设备和计算机可读存储介质。该方法包括：构造目标网络模型，其中，该目标网络模型包括多个阶段，该多个阶段中的每个阶段使用独立的注意力变换模块，该目标网络模型包括的模板分支和搜索分支共享相同的网络权重；根据该目标网络模型进行目标跟踪。通过本发明实施例，解决了相关技术中已有网络模型在进行目标外观表征时仅依赖于卷积模型，从而难以对搜索区域内的全局信息的相关性进行建模，从而限制了跟踪算法在复杂场景下的泛化性的技术问题，达到了提高目标跟踪精度的技术效果。
-
公开(公告)号：CN107895066A
公开(公告)日：2018-04-10
申请号：CN201711020967.6
申请日：2017-10-26
Applicant: 西北工业大学
Abstract: 本发明涉及一种基于改进混合蛙跳算法的四旋翼无人机参数辨识方法，以混合蛙跳算法为基础，通过对算法中蛙跳规则改进，提高了混合蛙跳算法的全局收敛速度，并根据四旋翼无人机参数特性，对适应度函数进行设计，减少算法的计算复杂度，提高对四旋翼无人机多参数辨识的效率。该方法具有一定的普适性，能够实现对大多数具有非线性和强耦合度系统的参数辨识。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.016 seconds)
