通道裁剪下的多特征组合目标跟踪算法

针对深层特征存在冗余通道影响跟踪速度和精度以及单一特征难以适应复杂场景的问题,提出了一种通道裁剪下的多特征组合目标跟踪算法。首先,在相关滤波算法的框架上结合传统手工特征和深层特征进行跟踪。其次,通过对比深层特征通道上目标区域和搜索区域的特征均值设计通道裁剪策略,筛选出合适的特征通道。最后,通过隔帧更新的方式更新深度特征,通过平均峰值相关能量更新传统特征滤波模板,最终实现准确跟踪。与10种算法在OTB2013和OTB2015数据集上进行对比实验的结果表明,本文算法在跟踪准确度和成功率方面都取得了更为理想的结果。

基于通道裁剪的YOLOv3模型

为进一步加速基于深度学习的目标检测模型,采用通道裁剪的方法对YOLOv3模型进行瘦身。首先选取卷积神经网络模型中可以裁剪的卷积层,通过对BN层参数进行稀疏化训练;其次,对BN层参数排序以获得可以裁剪的通道;然后依据参数范围裁剪模型;最后对裁剪后的模型进行微调。在X光图像数据集上进行试验,瘦身后的模型mAP@0.5值提高2%,预测过程提速16.67%。实验证明,在X光检测任务中,裁剪后的YOLOv3模型依然可以减少部分过拟合现象并提高准确率和预测速度,保证了本文模型的实用性。

基于深度可分离卷积与通道裁剪的YOLOv3改进方法

基于YOLOv3和YOLOv3-Tiny网络试验了人脸数据集Widerface和CelebA的人脸检测。并针对检测结果进行分析,认为神经网络权重中具备大量的参数冗余,将深度可分离卷积与通道裁剪方法应用于深度神经网络的模型压缩,并结合模型量化方法,最终实现轻量级的人脸检测模型。试验结果表明,改进后的模型满足移动端部署的实时性要求,并表现出良好的检测效果。

卷积通道裁剪与加权融合的精定位视觉跟踪

为提高卷积相关滤波算法的速度和精度,提出一种基于通道裁剪与加权融合的跟踪算法。该算法选取适合目标跟踪的单层卷积特征,通过特征均值比裁剪无效卷积通道,再融合一维灰度特征,提升了特征的表征能力。然后以特征均值比为卷积通道权重构造加权相关滤波算法,预测目标位置,并用帧差均值最小化精定位方法减小预测位置误差;最后通过更新跟踪模型,以进一步提高算法速度。在标准数据集OTB-100上对算法进行测试。结果表明,所提算法的平均距离精度为91.3%,平均速度为31.8frame/s。所提算法可有效提高目标跟踪的速度和精度,在目标遇到遮挡、尺度变化、快速运动及形变时仍可有效跟踪目标。

基于YOLO的星-机协同目标检测方法

针对待检测区域大,单一使用卫星或无人机检测将分别导致检测精度低及检测速度慢的问题,提出了一种基于YOLO检测模型的“卫星-无人机”协同目标检测方法。首先,使用搭载通道裁剪的YOLOv4-tiny模型的卫星,在大范围区域中对含目标区域进行快速初步筛查;其次,对筛查到含有目标的区域,调动搭载四尺度检测分支的YOLOv4模型的无人机,对含目标区域进一步精确检测。通过实验分析可知,改进的YOLOv4-tiny模型可以更快地对大范围区域进行筛查,改进的YOLOv4模型对筛查出来的含目标区域检测精度更高,使用卫星和无人机协同检测能够有效将前者的“快”和后者的“准”结合起来,提高检测效率。

基于改进YOLOv4的无人机目标检测方法

针对无人机平台由于内存、算力有限而导致检测模型部署困难、检测速度降低的问题,提出了一种基于YOLOv4的改进模型。首先,为了减小模型内存占用、节省计算资源,根据目标尺寸特点,对YOLOv4原模型的预测层进行了改进,将三尺度检测模型改进为双尺度检测模型;其次,对双尺度检测模型进行正常训练,然后将其BN层的缩放因子进行稀疏训练,最后通过裁剪一定比例的通道数以再次减小模型内存占用提升检测速度。实验分析表明,在与原模型检测效果基本一样的情况下,最终改进模型的内存占用减少了60%,仅103 M,FPS提升了35%,达到了58帧/s。

自适应卷积特征选择的实时跟踪算法

目的针对深度卷积特征相关滤波跟踪算法因特征维度多造成的跟踪速度慢及其在目标发生形变、遮挡等情况时存在跟踪失败的问题,提出了一种自适应卷积特征选择的实时跟踪算法。方法该算法先分析结合深度卷积特征的相关滤波跟踪算法定位目标的特性,然后提出使用目标区域和搜索区域的特征均值比来评估卷积操作,选取满足均值比大于阈值的特征通道数最多的卷积层,减少卷积特征的层数及维度,并提取该卷积层的有效卷积特征来训练相关滤波分类器,最后采用稀疏的模型更新策略提高跟踪速度。结果在OTB-100标准数据集上进行算法测试,本文算法的平均距离精度值达86. 4%,平均跟踪速度达29. 9帧/s,比分层卷积相关滤波跟踪算法平均距离精度值提高了2. 7个百分点,速度快将近3倍。实验结果表明,本文自适应特征选择的方式在保证跟踪精度的同时有效地提升了跟踪的速度,且优于当前使用主成分分析降维的方式;与现有前沿跟踪算法对比,本文算法的整体性能优于实验中对比的9种算法。结论该算法采用自适应卷积通道和卷积层选择的方式有效地减少了卷积层数和特征维度,降低了模型的复杂度,提升了跟踪速度,利用稀疏模型更新策略进一步提升了跟踪的速度,减少了模型漂移现象,当目标发生快速运动、遇到遮挡、光照变化等复杂场景时,仍可实时跟踪到目标,具有较强的鲁棒性和适应性。