融合时空上下文信息和注意力机制的目标跟踪

为提高目标跟踪任务中跟踪器面对目标形变、背景干扰和光照强度变化等场景时的鲁棒性,研究孪生网络跟踪算法。基于孪生网络框架,提出一种结合时空上下文的深层次信息和特征自适应加权融合的目标跟踪算法(STASiam)。对改良的ResNet50网络模型中3个网络块进行特征自适应加权融合,结合双注意力机制突出对目标响应程度的通道和位置。构建一个拉普拉斯型模板特征集合聚合时序信息,通过交叉注意力机制将时间序列上的先验知识前向传播到搜索区域,提升模型对目标的辨别力。在OTB100数据集上对算法进行评测,算法精度和成功率分别达到了0.891和68.14%。

融合边缘条件的多个鉴别器生成对抗网络

针对现有图像处理方法仍然存在人脸补全后,人脸五官等局部区域的视觉连通性较差的问题,提出了一种包含全局鉴别网络、局部鉴别网络和人脸部位鉴别网络的边缘补全方法。其中全局鉴别网络鉴别全图的视觉连通性;局部鉴别网络约束补全部分;人脸部位鉴别网络约束补全图像效果。将残缺灰度图、残缺边缘图和掩膜图输入到边缘补全网络,得到补全边缘图。然后将补全边缘图和残缺彩色图输入到图像补全网络,得到补全图像。边缘补全网络和图像补全网络进行端对端连接,形成一个完整的解决方案。在CelebA数据集上与对照组进行视觉连通性对比,结果表明:提出的算法能够更好地还原人脸部位的信息。