基于归一化注意力机制的特征自适应融合目标跟踪算法

针对快速运动目标跟踪时图像的形变和低分辨率等问题,基于当前的孪生网络,提出一种基于归一化注意力机制的特征自适应融合目标跟踪算法。首先,通过轻量级的注意力机制抑制不太明显的权重,对注意力模块施加权重稀疏惩罚,并对主干网络最后4个特征层进行路径增强;其次,为捕捉在线跟踪过程中目标的外观变化,提升算法鲁棒性,提出了一种插件式的模板在线更新方法;最后,利用回归增强分类的方法完成对目标的跟踪。实验结果表明:该算法在OTB100,UAV123两个挑战性数据集上分别取得了63.3%和59.5%的较高成功率;同时,在外界光照变化、图像背景复杂、目标平面内旋转时,算法具有较强的鲁棒性。

基于交叉通道注意力的目标跟踪方法

针对跟踪目标被遮挡或者目标周围存在敏感干扰物,从而导致前景背景分类错误和边界框预测错误的问题,提出了一种基于交叉通道注意力的无锚框的目标跟踪方法。首先使用交叉通道注意力对特征提取部分的最后三层输出进行通道增强,利用模板特征和搜索特征中目标的相似性,整合所有通道特征的相关性,从而选择性的对目标特征的通道的增强。之后使用加权求和的方式进行特征融合,使用浅层特征和深层特征融合提高分类精度和定位的准确度。最后使用位置注意力对分类特征图进行全局编码,再次增强分类特征图的特征,提高网络对目标的定位准确性。实验结果表明,提出的算法在OTB100数据集上取得了85.5%的准确率和64.1%的成功率,在UAV20L数据集上取得了70.5%的准确率和56.0%的成功率。

基于改进YOLOv4的灾后人员检测算法

针对地震等灾后环境复杂、救援机器人对救援目标识别实时性和准确度要求较高的问题,提出一种基于改进YOLOv4的目标检测模型。该算法将YOLOv4网络中的主干特征提取网络替换成MobileNetv1模型以增强特征复用,同时缩减网络参数量,提高运行速度;通过K-means++算法进行锚点维度聚类以适应灾后人员检测,提升算法精度。并且针对灾后人员检测数据集缺乏问题,贡献相应的数据集。实验结果表明,改进的网络与YOLOv4相比在保证模型精度的前提下帧率提升了约92%,权重文件大小变为原来的20.73%,满足了灾后救援机器人目标检测实时性和准确性的需求,对于灾后人员检测场景有一定的借鉴意义。

基于无锚框的孪生网络目标跟踪改进算法

视觉目标跟踪在车辆、人机交互以及监控等领域应用广泛,虽然近年来取得了很大的进展,但是在跟踪过程中,仍然存在许多的干扰因素。针对跟踪过程存在目标尺度和长宽的比例会随着目标或跟踪设备的变化而变化以及背景干扰的问题,设计了一种基于无锚框的孪生神经网络的跟踪方法。首先,改进了特征提取网络,提高了跟踪的准确性。其次,增加了非局部感知网络,能够更好地利用模板和搜索分支更深度的特征。对于分类来说,增加了选择分支,用于抑制较低的得分,选择更高更准确的得分,从而能够进行更好的回归预测。其采样策略也不同于之前的网络,并对损失部分进行了优化。在对网络进行整体的训练及实验之后,该算法能够很好地跟踪目标,提高了跟踪的成功率和精确度。

基于优化RetinaNet的自适应特征融合的轻量化目标检测方法

针对目标检测算法中计算量大、模型复杂等问题,造成在嵌入式平台计算资源有限的应用场景下难以部署的现象,提出一种基于优化RetinaNet的自适应特征融合的轻量化目标检测方法。提出的算法参考了GhostNet中的Ghost Module模块以减少模型参数量。通过一种空间特征融合机制,提高特征的尺度不变性。融合了结构重参化的思想,增加训练深度,实现多分支训练,单分支推理,更好地提升模型的推理性能。提出的方法在PASCAL VOC2007和COCO两种常用的目标检测数据集上进行评估,平均精度为54.1%,优于RetinaNet的平均精度,实验结果表明,提出的方法推理时所占的内存为170.71MByte,是RetinaNet所占内存的44.27%,表明提出的算法在保证精度的前提下极大提高网络的推理速度。