孪生网络融合卡尔曼滤波的目标跟踪研究

目标跟踪是机器视觉领域的经典问题,在军事目标跟踪和视频监控等领域都有着重要应用。孪生网络是当前相关问题研究的主流框架。本文在SiamRPN孪生网络基础上进行了改进,引入残差网络以减轻特征学习中过拟合问题,同时在网络中注入空洞空间卷积模块,并增加全局语境信息的获取能力以扩大感受野;其后融入卡尔曼滤波以改善目标受到各种干扰时追踪位置失真问题;最后通过实验设计,从定性和定量两个角度显示,面对运动模糊、光照变化、遮挡等复杂情况下所跟踪目标出现漂移或者丢失等问题,本文所设计方法都具有较好的跟踪效果。

融合Siam-U-Net++和注意力机制的水体变化检测——以三峡库区奉节县为例

由于三峡库区的复杂地形特点和受到部分区域的阴影遮盖影响,因此水体变化检测容易出现漏检误检。针对这一情况,为了能够提高水体变化检测结果的精度,提出了一种融合Siam-UNet++和scSE注意力机制的三峡库区水体变化检测算法。利用编码阶段共享权值的Siam-UNet++为主干网络,在编码器网络单元上选择拥有残差结构的ResNet34网络,快速高效获取水体变化特征信息。在Siam-U-Net++的上采样之后引入结合通道注意力和空间注意力的scSE注意力机制模块。在自制的库区奉节县数据集上分别与LinkNet、U-Net++、DeeplabV3+网络模型以及NDWI进行应用测试,并引用不同注意力机制进行对比实验,其召回率、精确率和F1值分别为94.57%、90.75%、92.62%,均优于其他模型。实验结果表明该算法有效提高了在水体变化检测结果上的效果。