基于孪生卷积神经网络改进的目标跟踪算法

论文基于Tensorflow深度学习框架,搭建了一个基于深度学习的跟踪模型。通过卷积神经网络提取特征,运用互卷积运算得到响应特征图。通过端到端的训练得到一个分类网络和一个回归网络。其中分类网络用于判断跟踪到的目标是否正确,回归网络用于得到跟精确的目标定位。在训练数据上,以开源的数据集为主,采集到的数据集为辅。对于没有标注的图像采用OpenCV结合算法进行初步标注,然后再由人工检查。论文使用数据集训练了一个通用的目标跟踪器,实现了对一般目标的跟踪,并评估本算法的性能。

基于一种改进的Faster-RCNN的公路中央隔离带绿化识别

研究了一种结合不感兴趣区域的Faster-RCNN改进算法对公路隔离带中绿化的识别。通过将次最深特征层同样进行3×3的卷积并进行L2正则化得到新的特征层,将浅层次特征层与深层次特征层的特征信息进行融合,使得该算法在增强识别精度和准度的同时不增加特征选取框候取层的厚度。同时设置了不感兴趣区域对冗余检测信息进行筛除,以提高检测准确率。经试验验证,改进算法可有效完成检测任务,从而为无人驾驶浇灌车的控制提供支持。