基于增强语义与多注意力机制学习的深度相关跟踪

发布时间：2023-05-07 13:33

　　在基准可判别相关滤波器网络(DCFNet)目标跟踪过程中,遮挡和运动模糊情况会导致目标发生漂移。针对该问题,结合增强语义与多注意力机制深度学习,设计一种端到端的相关滤波器网络RACFNet。由EDNet网络得到高级语义信息弥补单独低级特征表示的不足,同时加入通道和空间残差注意力机制,使网络能够对不同的跟踪对象提取出更具针对性的表观信息。在此基础上,通过添加相关滤波层并输出响应图最大值推测目标位置。在OTB-2013和OTB-2015基准测试集上的实验结果表明,RACFNet跟踪速度平均可达92帧/s,跟踪成功率较DCFNet分别提高8.20%和10.69%。

【文章页数】：7 页

【文章目录】：
0 概述
1 RACFNet网络
    1.1 网络结构
    1.2 可判别相关滤波器
    1.3 EDNet高级语义特征
    1.4 通道注意力机制
    1.5 空间注意力机制
    1.6 算法实现
2 实验结果与分析
    1)精确度:
    2)成功率:
    3)中心位置误差:
        2.1 基于OTB2013的实验结果对比
        2.2 基于OTB2015的实验结果对比
        2.3 基于不同视频的实验结果对比
        2.4 不同干扰下的实验结果对比
        2.5 跟踪速度对比
3 结束语



本文编号：3810667