抗遮挡目标跟踪的模型学习综述

视觉目标跟踪任务中的遮挡问题是最具挑战的场景属性之一,研究有效的抗遮挡模型学习方案,对构建适应复杂场景的长期鲁棒跟踪模型具有重要意义。剖析了遮挡影响跟踪性能的本质原因,以抗遮挡性能较好的先进跟踪算法为研究对象,系统分析了模型学习中有效抗遮挡机制,并对其改善长短期遮挡问题的有效性进行比较分析,包括以硬负样本挖掘、有效样本管理、类遮挡硬正样本生成的训练样本提质策略,提供模型充足判别信息;以时间一致性学习、自适应外观学习的被动稳定学习方式和基于多域属性、目标感知、干扰感知、特征融合等适用跟踪任务的主动学习策略,构建可抵抗场景干扰、目标形变等因素可适用跟踪的鲁棒模型;以手工置信度评估、自适应决策、时序记忆库、自适应估计模板的更新策略,平衡模型在线跟踪状态变化目标的适应性与稳定性。通过对代表跟踪算法在遮挡及背景杂乱、出视野、平面内外旋转、形变场景下的性能比较,详尽分析了各策略抗遮挡有效性,指出相比更新策略,数据处理、学习策略设计更有利于提高抗遮挡性能;同时分析了各策略对长期遮挡、背景杂乱、出视野等属性的适用性及适用多类复杂场景的策略。总结了有效抗遮挡策略,提出骨干网替换及迁移场景理解、运动规律等先验信息至跟踪任务的研究方向。

嵌入scSE模块的改进YOLOv4小目标检测算法

为解决目标检测任务中小目标检测精度低,错检、漏检率高等问题,提出一种scSE-IYOLOv4的改进YOLOv4的小目标检测算法。实验使用VEDAI小目标数据集,采用K-means++算法对目标样本进行锚定框优化,以提升算法精度。在YOLOv4算法的基础上,分别研究分析了scSE注意力模块嵌入至模型不同位置以及在模型颈部增加SPP模块对算法检测性能带来的影响。实验证明,在YOLOv4模型的骨干网“Add”和“concat”层后嵌入scSE注意力模块,以及在颈部增加SPP模块均能有效提升算法对小目标的检测精度,在VEDAI测试集上mAP@0.5均提升了2.4%。根据YOLOv4算法模型骨干网和颈部改进的实验结果,提出scSE-IYOLOv4目标检测算法。实验证明scSE-IYOLOv4算法能显著提升小目标的检测精度,在VEDAI测试集上mAP@0.5值较YOLOv4提升了4.1%,在PASCAL VOC数据集上mAP@0.5提升了2.2%。

基于抗遮挡目标模型的跟踪算法综述

遮挡问题是导致目标跟踪任务失败的重要因素,如何提升算法的抗遮挡性能是跟踪领域的研究热点。本文首先剖析了遮挡易导致跟踪失败的原因,论述了构建强判别性的鲁棒目标模型对提高跟踪算法抗遮挡性能的重要意义,分析了抗遮挡目标模型的构建方案。其次依据目标模型利用的信息类型,将代表性抗遮挡性能较优的算法分为基于有效特征信息、状态估计信息与稳定时空信息三类。而后详尽分析了基于卡尔曼滤波、粒子滤波、局部空间信息、时间上下文信息、时空上下文信息跟踪算法的抗遮挡思路方案、适用遮挡场景、优缺点及改进方案。最后通过不同类型算法在遮挡场景下的跟踪性能比较,对目标模型构建方案抗遮挡的有效性提出思考与分析,并指出学习语义信息轻量化网络设计、场景上下文预测、仿生视觉机理的应用发展方向。

针对弱小无人机目标的轻量级目标检测算法

为解决无人机“滥用”带来的安全隐患,针对现有基于深度学习的无人机目标检测算法复杂度较高,导致模型训练耗时长、占用计算资源大、输入图像尺寸受限、检测速度慢等问题,提出了一种轻量级无人机目标检测(DTD-YOLOv4-tiny)算法。所提算法以YOLOv4-tiny为基础,通过K-means++聚类算法对Anchor box进行优化,并增加52×52尺寸特征图的检测头,拓展了算法对小目标的适用范围,再结合ShuffleNetv2轻量化骨干网络,使用reorg_layer下采样和sub-pixel上采样的方式,分别对YOLOv4-tiny算法的Backbone、Neck和Head进行优化,最终得到的模型大小仅为1.4 MB,浮点运算量(GFLOPs)仅为1.1的DTD-YOLOv4-tiny轻量级检测算法。实验结果表明,DTD-YOLOv4-tiny检测模型在不限制图像输入尺寸的同时,保证了较低的运算资源占用和高的检测实时性,同时降低参数量后的算法在面对原始大尺寸图像时也可以保持准确性。在Drone-vs-Bird 2017数据集上使用960×540尺寸的图像作为输入时,所提算法的平均精度(AP)@50值达到95%,在RTX2060显卡上的检测速度达到113 frame/s;在TIB-Net数据集上使用1920×1080尺寸的图像作为输入时,所提算法的AP@50值达到85.1%,在RTX2080Ti显卡上的检测速度达到119 frame/s。