一种低参数的孪生卷积网络实时目标跟踪算法

针对基于深度学习的目标跟踪算法模型参数多、难以部署于嵌入式设备上的问题,提出一种改进的孪生卷积网络实时目标跟踪算法。设计一个非对称卷积模块来构建整个网络框架,通过非对称卷积模块的压缩层减少模型参数量,利用非对称层进行特征融合,以在保证精度的同时压缩模型大小。使用三元组损失函数代替逻辑损失函数进行模型训练,在输入不变的情况下提取表达性更强的深度特征,从而完成目标跟踪任务并提高模型的跟踪精度。在GOT-10K、OTB100和VOT2016基准上对算法性能进行测试,结果表明,该算法能够将模型大小降为3.8×106,且速度与精度均优于SiamFC、KCF和DAT等跟踪算法。

基于PCA的相机响应函数模型标定算法

许多计算机视觉应用的算法都需要对拍摄场景高动态范围的幅亮度信息进行精确的测量,成像系统的相机响应函数能够建立拍摄图像强度信息与场景辐亮度之间的严格映射关系,是高动态范围图像融合的关键技术。文中分析相机响应曲线的共同特点,结合相机响应函数固有的约束条件,建立相机响应函数的理论空间模型。首先,利用主成分分析法对已有的相机响应数据库进行分析,结合相机响应函数的约束条件建立响应函数的低参数经验模型;然后,根据输入图像选择合适的参数数量;最后,利用不同曝光量的输入图像通过最小二乘法求解建立响应函数模型的系数,从而对相机响应函数进行标定。该算法能够通过对少量的采样点进行插值获得精确的相机响应函数,同时能够对任意的场景通过拍摄多曝光量图像精确地标定相机响应函数。通过对实际拍摄的图像进行相机响应函数标定实验,验证了该算法的有效性,并证明该算法保持高精度的同时计算效率也较高。

结构化混合注意力网络的图像超分辨率重建

针对现有图像超分辨模型存在特征提取能力弱、模型参数量较复杂等问题,提出了一种结构化混合注意力网络的图像超分辨率重建模型,该模型在提高图像超分辨率重建效果的同时降低了模型的参数量。首先,对编码器进行结构化处理,通过通道数量的不同来提取更多的图像特征。其次,对编码器的输出特性进行注意力网络混合重组,从而加强图像的特征特性。最后,采用残差方式将输入的浅层图像特征直接与强化特征相混合,降低网络的参数量。实验结果表明,在公共数据集及不同放大倍率的前提下,文中构建模型的PSNR值和SSIM值基本是最优的,且网络结构的参数量较低,较好地平衡了图像超分辨率重建过程中性能和参数复杂度间的关系。