特征融合与训练加速的高效目标跟踪

基于孪生网络的目标跟踪,存在特征信息欠丰富,跟踪效率有待提高,大型数据集上训练时间长等问题。针对上述问题,提出特征融合与训练加速的高效目标跟踪。增加主干网络参考特征层级,减小下采样,融合多层级参考特征图,提取目标更深度、丰富的语义信息。深度互相关操作得到候选窗口响应(Response of Candidate Windows,RoWs),在其中构建区域建议网络(Region Proposal Network,RPN),通过权衡正负锚点的数量比,使孪生网络性能更加高效、稳定。大型数据集训练孪生网络时,使用均匀滑动漂移采样,代替随机漂移采样算法,在抑制中心偏置现象的同时,显著加快了孪生网络的训练速度。跟踪基准VOT2018上的评估实验结果表明,与所有参考的主流目标跟踪算法相比,所提算法具有最佳的跟踪性能。

WSNs的QoS整体框架研究

关于WSNs中QoS的研究以前都是孤立的,或是特定在某些功能层上的研究,或是特别指定某些应用场景的研究。而论文根据WSNs的参考体系结构,分层讨论了QoS需求的定义以及低层QoS需求对高层QoS需求的影响,从而得出一个整体的QoS框架,然后根据各个QoS需求之间的关系,分析它们之间是否有权衡点以及怎样找到这种权衡关系,以便深入理解WSNs中各QoS需求的互相作用。当无线传感器网络中存在需要考虑QoS支持的业务时,应用设计者能够参照制定详细的QoS需求,系统工程师可以参考评估各个QoS需求之间的权衡关系,从而进行网络的整体设计。