基于特征融合的双分支模板更新跟踪算法

为了提高孪生网络SiamFC++的跟踪精确度和尺度适应性,提出了一种具有特征融合和双分支模板动态更新机制的实时目标跟踪算法。针对跟踪精确度,在骨干网络的浅层设计特征融合分支从而提高特征提取能力。另外,使用平均峰值相关能量(APCE)方法判断分类模板是否更新从而提高分类能力,改善了遮挡和形变时的跟踪效果。针对尺度适应性,使用交并比梯度比值法和响应图方差率判断回归模板是否更新,增强了快速移动和尺度变化的适应性。为了保证实时性,将两个分支的更新过程嵌套起来形成双分支模板动态更新机制。在数据集OTB2015和VOT2018上的结果表明,该算法较其他几种算法跟踪效果更稳定,能更好应对快速移动和遮挡等场景,同时该算法达到了62 fps,满足实时性要求。

基于Argo资料的西太平洋混合层和温跃层数据产品研制

基于2017版全球海洋Argo网格数据集(BOA-Argo),利用最大角度法和梯度比值法等客观分析方法计算了2004年1月—2016年12月期间,西太平洋海域(25°S^40°N,120°~180°E)的上混合层和温跃层上、下界深度,并计算了混合层温盐度以及温跃层强度等海洋环境参数,制作完成水平分辨率为1°×1°的月平均Argo数据衍生产品。将本数据产品和采用阈值法计算得到MILA GPV数据集做比较,结果显示:对于混合层的主要空间分布特征和时间序列变化特征,两者都十分吻合;将西太平洋海域温跃层上、下界深度和强度等参数与人们利用传统的温度梯度法计算结果相比较,其季节分布特征及变化趋势也大体相符。