10.19665/j.issn1001-2400.2021.05.014
注意力机制的多尺度单目标跟踪算法
在单目标跟踪过程中,由于存在目标遮挡、目标消失、相似目标干扰等问题,导致算法错误跟踪目标,跟踪精度下降,并且错误的结果将会参与到模型更新中,使得跟踪精度进一步下降.针对这一问题,提出了基于注意力机制的多尺度单目标跟踪算法.该算法使用Inception网络非对称卷积思想,在增加多尺度卷积核的同时减少参数量,非对称卷积可以有效地结合局部特征和全局特征,提高跟踪的鲁棒性.在模型参数更新阶段,采用基于注意力机制的网络在线更新算法,结合每一帧的结果响应图和注意力响应图计算得到该帧的跟踪结果得分,从而在模型更新时剔除不包含目标的视频帧,强化了网络对目标和背景的判别能力,使网络能够快速学习到目标的外观变化,提高算法对目标的跟踪能力.在实验部分,将该算法在OTB-100数据集与其他先进的跟踪算法进行对比,在准确率和成功率方面相较ATOM算法分别有0.9％和0.8％的提升,提升精度的同时也更容易找回丢失的目标.
深度学习;单目标跟踪;注意力机制;卷积神经网络
48
TP37(计算技术、计算机技术)
国家重点研发计划2019YFC0000238
2021-11-18（万方平台首次上网日期，不代表论文的发表时间）
共7页
110-116
