基于注意力与特征融合的双分支跟踪算法

胡银记; 洛怡航; 赵振宇; 揭斐然; 彭群聂

doi:10.13873/J.1000-9787(2023)06-0108-04

Chinese

您当前的位置：

首页 >

文章列表页 >

基于注意力与特征融合的双分支跟踪算法

计算与测试 | 更新时间：2025-09-11

- 基于注意力与特征融合的双分支跟踪算法
- 暂无标题
- 传感器与微系统 2023年第6期页码：108-111+115
- 作者机构：
  
  1. 光电控制技术重点实验室
  2. 中国航空工业集团公司洛阳电光设备研究所
- 作者简介：
- 基金信息：
- DOI：10.13873/J.1000-9787(2023)06-0108-04
  中图分类号： TP391.41
- 纸质出版：2023
- 稿件说明：
移动端阅览
胡银记, 洛怡航, 赵振宇, 等. 基于注意力与特征融合的双分支跟踪算法[J]. 传感器与微系统, 2023,(6):108-111+115.
胡银记, 洛怡航, 赵振宇, 等. 基于注意力与特征融合的双分支跟踪算法[J]. 传感器与微系统, 2023,(6):108-111+115. DOI： 10.13873/J.1000-9787(2023)06-0108-04.

DOI：

摘要

针对全卷积孪生网络（SiamFC）特征表达不足导致在目标形变、复杂背景干扰条件下跟踪效果不佳等问题，提出了一种基于注意力与特征融合的双分支跟踪算法。通过引入通道注意力机制和小卷积核的思想，在增加网络深度的同时，动态调节模型权重，提高了网络的特征提取能力和辨别能力。在原有孪生网络的基础上，提出采用多层特征融合策略构建新的跟踪分支并用于辅助决策。通过不同视觉层级间目标特征的融合，进一步改善网络的精确定位与适应能力。在目标跟踪基准库OTB50、OTB100、VOT2017进行试验，试验结果表明：所提算法在保持实时性的情况下，性能指标优于多个基准算法，验证所提算法的有效性。

Abstract

关键词

Keywords

references

基于重检测机制的核相关滤波跟踪算法[J]. 孙晓锋;贾子彦;张雷;吴雪涛.电光与控制,2021(08)

改进的核相关滤波器目标跟踪算法[J]. 李军;代天;魏睿.传感器与微系统,2021(03)

动态的加权孪生网络跟踪算法[J]. 熊昌镇;李言.计算机应用,2020(08)

结合背景空间信息的相关滤波目标跟踪算法研究[J]. 孙欣;何宁.计算机应用与软件,2020(02)

一种结合Camshift和Kalman滤波的TLD目标跟踪算法[J]. 蔡亚南;李东兴;吴秀东;宋汝君;王迎.计算机应用与软件,2019(02)

DCNN深度特征与交替方向乘子的相关滤波跟踪[J]. 吴刚;曾晓勤;王池社;苏守宝.计算机工程与应用,2019(08)

ImageNet classification with deep convolutional neural networks[J]. Alex Krizhevsky;Ilya Sutskever;Geoffrey E. Hinton.Communications of the ACM,2017

On-Road Pedestrian Tracking Across Multiple Driving Recorders.[J]. Kuan-Hui Lee;Jenq-Neng Hwang.IEEE Trans. Multimedia,2015

浏览量

165

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于注意力机制的特征融合孪生网络目标跟踪算法

基于改进U²-Net的摇床精矿带图像分割方法

结合注意力门控与特征融合的图像去雾网络

改进SSD算法的小目标检测研究

基于改进YOLOv5n的仿生海豚目标识别与跟踪方法