ECO跟踪算法中CNN分层插值及加权策略改进

本文是在深度特征与相关滤波相结合的高效卷积运算符(ECO)目标跟踪算法基础上进行的改进。首先,为了提高跟踪速度,提出“浅层特征不插值,深层特征插值”的卷积神经网络(CNN)分层插值处理方法,对具有较高分辨率的浅层特征不插值,对分辨率低的深层特征进行插值计算来提高分辨率;其次,改进了样本空间分类策略,给CNN特征层分配不同的权重,突出不同特征层对样本间距离的影响,并且将所有样本信息都保留在训练样本集中;最后,应用判别尺度空间跟踪(DSST)算法提出的对目标尺度估计的方法,增加了目标尺度的候选数量,使尺度估计更加准确。实验结果验证了所设计算法的有效性。

用重谱检测天文迭代位移叠加法的收敛过程

在天文像复原“迭代位移叠加法”中 ,判定其迭代过程发展的方向和收敛结果是否正确是关键问题。根据斑点掩模法中目标重谱与目标像间的相互对应的性质 ,用目标重谱作为检验迭代结果的标准函数。用最小二乘法鉴别迭代过程的发展方向和收敛结果 ,因而可避免迭代过程的盲目性 ,并将得到正确复原像。