自适应空间异常的目标跟踪

为了解决判别式空间正则项的目标跟踪算法在遮挡、旋转等因素干扰下失跟率较高的问题,该文提出一种自适应空间异常的目标跟踪算法.首先,在目标函数中加入自适应空间正则项,既缓解了边界效应带来的影响,又提高了滤波器对目标和背景区域的分辨能力;其次,根据每一帧的响应值计算验证分数,分析跟踪结果的可信度和异常情况;最后为目标模型和响...     

空间异常适应性的目标跟踪

针对基于空间正则化的相关滤波算法无法精准控制背景区域权重,同时存在由遮挡、形变等因素导致的异常情况会降低跟踪结果可信度的问题,文中提出空间异常适应性的目标跟踪算法.首先,构造自适应空间正则项,使用显著性检测对其权重进行初始化,实现空间适应性.然后,利用交替方向乘子法,降低算法复杂度.最后,设置置信分数,计算检测结果的可信度并分析异常情况,实现异常适应性.在 4个公开数据集上的实验表明,文中算法在形变、遮挡、光照变化等多种复杂场景下跟踪效果较优,可基本满足实时性需求.     

背景与方向感知的相关滤波跟踪

目的 针对相关滤波跟踪算法,目标与周围背景进行等值权重训练滤波器导致目标与背景信息相似时,易出现目标漂移问题,本文提出一种基于背景与方向感知的相关滤波跟踪算法。方法 将目标周围的背景信息学习到滤波器中,利用卡尔曼滤波预测目标的运动状态和运动方向,提取目标运动方向上的背景信息,将目标运动方向上与非运动方向上的背景信息进行滤波器训练,保证分配给目标运动方向上背景信息的训练权重高于非运动方向上的权重,增加滤波器对目标和背景信息的分辨能力,采用线性插值法得到最大响应值,用于确定目标位置;构造辅助因子g,利用增广拉格朗日乘子法（augmented Lagrange method,ALM）将约束项放到优化函数里,采用交替求解算法（alternating direction method of multipliers,ADMM）将求解目标问题转化为求滤波器和辅助因子的最优解,降低计算复杂度;采用多分辨率搜索方法来估计目标变换的尺度。结果 在数据集OTB50（object tracking benchmark）和OTB100上的平均精确率和平均成功率分别为0.804和0.748,相比BACF （background-aware correlation filters）算法分别提高了7%和16%;在数据集LaSOT上本文算法精确率为0.329,相比BACF （0.239）的精确率得分,更能体现本文算法的鲁棒性。结论 与其他主流算法相比,本文算法在运动模糊、背景杂乱和形变等复杂条件下跟踪效果更加鲁棒。     

双分支多注意力机制的锐度感知分类网络

基于卷积神经网络的图像分类方法的关键是提取有区分性的重点特征.为了提高重点特征的关注度，增强网络泛化能力，文中提出双分支多注意力机制的锐度感知分类网络(Double-Branch Multi-attention Mechanism Based Sharpness-Aware Classification Network, DAMSNet).该网络以ResNet-34残差网络为基础，首先，修改ResNet-34残差网络输入层卷积核尺寸，删除最大池化层，减小原始图像特征的损失.再者，提出双分支多注意力机制模块，嵌入残差分支中，从全局特征和局部特征上提取图像在通道域和空间域的上下文信息.然后，引入锐度感知最小化算法，结合随机梯度下降优化器，同时最小化损失值和损失锐度，寻找具有一致低损失的邻域参数，提高网络泛化能力.在CIFAR-10、CIFAR-100、SVHN数据集上的实验表明，文中网络不仅具有较高的分类精度，而且有效提升泛化能力.