CN119516446A 一种多目标场景下的动物实时跟踪定位方法及计算机装置 （四川农业大学）

一种多目标场景下的动物实时跟踪定位方及一种多目标场景下的动物实时跟踪定位方法性。本发明通过将处理后的原始图片首先送入YOLOv11_EMA目标检测模型，得到一个含有目标仅含有目标检测框的部分送入SegFormer_Tiny2S4、将含有目标检测框的目标图像输入SegFormer_S5、为每个分割后的目标图像分配唯一的特征向量将EMA模块同时添加到YOLOv11目标检测模型的Backbone的尾部与Neck的尾部，得到将分组后的数据输入并行子网络，EMA模块通过两个并行分支对特征,xa表示3x3卷积后的特征图，convaxs()表示对输入特征图X全局平均池化分为水平方向和竖直方向两个方向的全局平均池化表示第c个通道的第i个位置的特征值，、Zw分别表示沿宽度和高度然后EMA模块将两个并行分支的输出特征通过矩阵点积操作进行聚合，以捕获像素级;;;;3将批量和分组结合，reshapeo表示3.根据权利要求1所述的多目标场景下的动物实时跟踪定位方法，其特征在于，;转置矩阵，softmaxo表示softmax激活函数。4.根据权利要求1所述的多目标场景下的动物实时跟踪定位方法，其特征在于，通过量化将浮点型权重和激活值进行压缩，减少SegFormer_Tiny模4[0003]目前主要的方法为：采用人工观测或电子耳标结合养殖场布设监控设备进行观5,convsxs(x)表示对输入特征图X进行3x3卷积操作；然后EMA模块将两个并行分支的输出特征通过矩阵点积操作进行聚合，以捕获像;;;;其中，el、e2以及e3表示中间变量，x11和x12是经过自适应平均池化和Softmax归一化后的空间注意力图，x21和x22是对应的特征图的变换，torch.matmulob.self.groups表示将批量和分组结合，reshapeo表示调整数组形状的操作，最后EMA模;6K的转置矩阵softmaxo表示softmax激活函数。本发明将处理后的原始图片首先送入YOLOv11_EMA目标检测模型，得到一个含有7用两次CBS加上一次1*1的卷积匹配通道数，而在分类检测头中增加了两个DWConv(Depth_为深度卷积(DepthwiseConvolution)和逐点卷积(PointwiseConvolution)两个较小的尺度注意力机制，旨在提高计算机视觉任务中的特征表示效果。EMA模块通过结合通道和[0023]如图3所示，本发明将EMA模块同时添加到了YOLOv11的Backbone的尾部Neck的尾,Xxs表示1x1卷积后的特征图，con全局平均池化分为水平方向zn和竖直方向zw两个方向的全局平均池化，分别8然后EMA模块将两个并行分支的输出特征通过矩阵点积操作进行聚合，以捕获像;;;;其中，el、e2以及e3表示中间变量，x11和x12是经过自适应平均池化和Softmax归一化后的空间注意力图，x21和x22是对应的特征图的变换，torch.matmulob·self.groups表示将批量和分组结合，reshapeo表示调整数组形状的操作，最后EMA模本发明采用SegFormer_Tiny模型，SegFormer_Tiny模型是一种用于语义分割的9该公式表示通过Linear操作将特征的通道维度从C该公式表示将已经通道对齐的特征通过上采样操作，将空间分辨率提升到;K的转置矩阵，softmaxo表示softmax激活函数；其中k是被简化的序列，Reshape和Linear分别是调整数组形状的操和线性层序列简化的主要目的是通过降低输入信息的维度，间接减少编码器的计算复杂[0035]SegFormer_Tiny模型通过其层次化Transformer编码器和轻量级行