引入轻量级Transformer的无人机视觉跟踪

随着无人机在军事和民用领域的广泛运用,对于高精度、低功耗智能无人机跟踪系统的需求日益增加。针对目标跟踪算法在无人机跟踪场景下很难平衡跟踪精度和跟踪速度的问题,提出一种引入轻量级Transformer的孪生网络无人机目标跟踪算法SiamLT。使用Transformer对AlexNet网络进行改进,在增加最小计算量的情况下捕获全局特征信息。在目标模板与搜索区域匹配方面,联合Transformer和深度互相关运算提出一种二元相关模块,同时捕获目标模板与搜索区域之间的局部相关性和全局依赖关系。在分类回归网络中引入距离交并比,并采用多监督策略训练网络,以获取更准确的目标位置。在UAV123和UAV20L跟踪基准上的实验结果表明,SiamLT算法优于主流的目标跟踪算法,更有效地平衡了跟踪精度和跟踪速度。

基于改进Tracktor的行人多目标跟踪算法

在多目标视频跟踪中,针对受交互遮挡等影响导致检测偏差从而致使目标身份丢失的问题,提出一种基于改进Tracktor的行人多目标跟踪算法DUTracktor。在检测框回归中设计一个动态更新模块,利用孪生网络对建议框进一步检测定位;利用时序信息增强模块更新当前帧更适合的模板,建立全局上下文关系;并通过像素相关进行特征融合,从而增强目标边缘信息和尺度信息;利用相机运动补偿和融合相似矩阵构建二级关联跟踪机制,建立检测框和轨迹更强大的关联性,提高目标跟踪的鲁棒性。在公开的MOT16数据集上进行实验测试,并与当前主流算法相比,该算法跟踪精度表现较优,具有良好的鲁棒性,FPS稳定在24帧。

基于改进YOLOX的红外目标检测算法

针对红外目标图像分辨率低,缺少纹理细节,存在复杂背景干扰导致检测精度低的问题,提出一种基于改进YOLOX的红外目标检测算法。首先,设计了一种有效的空间通道混合注意力模块,将其引入在特征提取主干网络CSP-Darknet53中,以减少网络由于远距离传输造成的精度损失;其次,为了进一步提升红外目标的检测精度,在原本加强特征提取网络PANet的基础上提出一种改进的路径特征融合方法;最后,为了解决红外目标中小物体预测精度低的问题,在YOLOX输出检测头处进行反卷积操作扩大输出特征图。在FLIR红外公开数据集上进行实验,实验结果表明,所提算法识别的平均精度均值(mAP)达91.00%,相比于基准YOLOX网络的平均精度提升了5.04个百分点,对于提升红外目标的检测精度是有效的。