CN114972435B 基于长短时集成外观更新机制的目标跟踪方法 （东南大学）_第1页
CN114972435B 基于长短时集成外观更新机制的目标跟踪方法 （东南大学）_第2页
CN114972435B 基于长短时集成外观更新机制的目标跟踪方法 （东南大学）_第3页
CN114972435B 基于长短时集成外观更新机制的目标跟踪方法 （东南大学）_第4页
CN114972435B 基于长短时集成外观更新机制的目标跟踪方法 （东南大学）_第5页
已阅读5页，还剩18页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

WO2021012752A1,2021.01.28基于长短时集成外观更新机制的目标跟踪本发明公开了一种基于长短时集成外观更用长短时集成外观更新机制在视频中进行目标2步骤S3：基于训练好的孪生网络，利用长短时集成外步骤S301：将搜索区域和长短时模板池中选取的步骤S303：若满足更新条件，即步骤S302得到的更新状态标识L的帧间隔进行模板更新；当短时模板组对应置信度cS大于对应置信度阈值τS时，步骤S101：从数据集中任选视频序列，从视频序列中随步骤S102：对这三帧图像，分别裁剪出两个目标模板和一3骤S202中训练得到的主干网络，全局特征增强网络和矩形框预测分支参数不变的情况下，利用自适应学习率梯度下降法AdamW训练置所述步骤S201中使用ConvNeXt的前三层网络结构作为主干网络；使用Transformer编码器4时模板组对应的长时结果和短时模板组对应的短时结果；应用长短时集成外观更新机制，5[0020]进一步的，步骤S201中使用ConvNeXt的前三层网络结构作为主干网络；使用S的帧间隔进行模板更新。6[0028]进一步的，在S303步骤出的基于ConvNeXt卷积网络和Transformer的孪生网络目标跟踪器，能够提升了主干网络长短时集成外观更新机制的目标跟踪方法，在LaSOT数据集上可以达到69.1％的跟踪成功的搜索区域R表示实数域，z1，z2eR3。裁剪后的图像形状为正方形，x＝Wx。7域图像分别进行s倍降采样，得到两个模板特征farfze学"和搜索区域特征[0047]使用全卷积网络作为矩形框预测分支，输出具有目标矩形框的角点位置的热力8[0070]选取任意一个正方形目标模板，以正方形中心画十字线分成4个形状相同的小正[0084]使用全卷积网络作为矩形框预测分支，输出具有目标矩形框的角点位置的热力9[0106]短时模板组包含一个固定的目标初始模板特征和一个快速迭代更新的动态模板交并比(IoU)用于衡量矩形框间的重叠程和短时模板组S的矩形框和置信度结果带入比较，选取比较后令该式较大的模板组对应矩[0112]步骤S303：若满足更新条件，即步骤S302得到的更新状态标识符为真，flag=值τLL的帧间隔进行模板更新；当短时模板组对应置信度cS的帧间隔进行模板更新。[0116]如图4(a)所示为本发明提出的跟踪方法在LaSOT数据集结果比较中跟踪成功率ConvNeXt卷积网络和Transformer的孪生网络目标跟踪器，能够提升了主干网络的特征提器和短时跟踪器的预测结果差异判断跟踪状态并指导模板更新，能够有效的区分干扰目本申请的权利要求范围内的实施例都属于本发明所保护的

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论