低秩重检测的多特征时空上下文的视觉跟踪

时空上下文跟踪算法充分地利用空间上下文中包含的结构信息能够有效地对目标进行跟踪,实时性优良.但该算法仅利用单一的灰度信息,使得目标的表观表达缺乏判别性,而且该方法在由于遮挡等问题造成的跟踪漂移后无法进行初始化.针对时空上下文算法存在的弱点,提出了一种基于低秩重检测的多特征时空上下文跟踪方法.首先,利用多特征对时空上下文进行多方面的提取,构建复合时空上下文信息,充分利用目标周围的特征信息,提高目标表观表达的有效性.其次,利用简单、有效的矩阵分解方式将跟踪到的历史跟踪信息进行低秩表达,将其引入有效的在线重检测器中来保持跟踪结构的一致稳定性,解决了跟踪方法在跟踪失败后的重定位问题,在一系列跟踪数据集上的实验结果表明,该算法与原始算法及当前的主流算法相比有更好的跟踪精度与鲁棒性,且满足实时性要求.

深度卷积神经网络压缩与加速研究进展

数据、算力和算法是人工智能技术的3个要素,对于人工智能技术的落地,这三者相辅相成,缺一不可。近年来,随着移动互联网和高性能芯片的发展,深度神经网络在人工智能领域取得重大突破。为了追求更高的性能,研究者往往设计复杂冗余的网络结构,如增加宽度和层数,使网络的参数和计算量大大增加。当这些算法面对资源受限的设备时,算力会严重制约人工智能技术的落地。因此,深度神经网络压缩与加速作为人工智能领域的一个热点问题,受到产业界和学术界的关注,提出的解决方案层出不穷。本文对这一领域的研究现状进行总结。首先,介绍深度卷积神经网络的结构设计,包括高精度卷积神经网络手工设计、面向移动端轻量化卷积神经网络手工设计和卷积神经网络自动化设计。其次,总结深度神经网络压缩与加速相关方法,包括参数稀疏、结构化剪枝、低秩近似分解、量化和知识蒸馏5个方面。再次,对一些相关开源框架及会议研习会进行总结。最后,对模型压缩与加速的发展进行展望。