声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-5602/TP
国际刊号：1673-9418
发布日期:
作者：李虹瑾, 彭力
单位：物联网技术应用教育部工程研究中心（江南大学 物联网工程学院），江苏 无锡 214122
关键词：目标跟踪,孪生网络,注意力机制,特征融合
近年来，实时的目标跟踪技术在许多复杂视觉系统中都发挥了重要的作用，跟踪算法作为其中的一个关键环节，不仅需要具备高精度还需要满足实时性。SiamFC算法在提出时由于可以较好地平衡精度与速度，受到了广泛的关注。但是SiamFC算法使用较浅的骨干网络，提取到的特征难以应对复杂多变的跟踪环境，容易导致跟踪漂移。为了同时提高算法的跟踪精度与速度，提出了一种特征增强的轻量级孪生网络高速跟踪算法。首先，使用改进后的轻量级网络ShuffleNetV2作为骨干网络提取特征，在减少模型参数量与计算量的同时大幅提升跟踪速度；其次，在孪生网络的模板分支末端嵌入通道与空间双重注意力来调整不同通道和空间位置的响应权重，突出对跟踪有益的特征；最后，采用分层特征融合策略，同时利用网络提取的深层语义特征与浅层结构特征，从多角度表征目标。在OTB100和VOT2018两个数据集上与当前一些优秀的跟踪算法进行对比实验，结果表明，所提算法在跟踪精度上有较大的优势，在困难场景下展现了较强的鲁棒性，同时算法在NVIDIA GTX1070下的速度可达110 FPS，相比SiamFC算法能够更好地兼顾跟踪精度与速度。
来源：2023年第2期
《计算机科学与探索》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。