基于目标似然矩阵和注意力模型的目标追踪方法研究

发布时间：2021-01-18 00:18

　　近年来,视觉目标跟踪作为计算机视觉领域中的一个重要研究方向,已成为目前研究的热点之一。目标跟踪技术虽然随着深度学习的发展和计算机性能的提升已取得较大的进展,但是仍然面临诸多难题,运动目标发生尺度变化、形变,运动目标周边存在复杂背景、相似目标、光照变化等会导致追踪器产生漂移从而跟踪失败,故解决跟踪难题提高追踪器的准确性是研究者一直以来致力的方向。在阅读大量国内文献的基础上,本文首先对视觉目标跟踪的研究背景、意义以及国内外现状进行了介绍;其次,简述了相关滤波器、深度追踪器、注意力机制的相关知识。结合滤波器、深度孪生网络的优势以及注意力机制的优越性,本文在深度孪生网络的基础上提出了基于目标似然矩阵的滤波器的目标跟踪模型、基于通道空间注意力串行模块的目标跟踪模型,并且为证明所提方法的可靠性,设计实现了基于目标似然矩阵和注意力模块的深度视觉目标追踪原型系统。本文的主要研究工作如下:1)提出了基于目标似然矩阵的滤波器的视觉目标跟踪模型。基于深度孪生网络的视觉目标跟踪模型简单且能兼顾精度和速度,但是该模型由于不更新跟踪模板导致不能很好的处理形变、背景杂乱等视觉目标跟踪难题,而滤波器可实现快速计算,通... 

【文章来源】：江苏大学江苏省

【文章页数】：78 页

【学位级别】：硕士

【部分图文】：

循环位移产生的样本

基于目标似然矩阵和注意力模型的目标追踪方法研究12的视觉跟踪算法是SiamFC。本文工作涉及到的全卷积孪生网络框架如图2.2。基于全卷积深度孪生网络的中心思想把两个样本通过神经网络映射到新的空间并用向量对两个样本进行表示，选择适当的loss函数，计算两个样本的相似度。假设输入样本1x和2x，通过神经网络的映射函数f(x)得到向量1f(x)和2f(x)。两个向量间的距离就可以用来表示两个样本间的相似度，设置loss函数计算两个向量间的距离，这时可以选择余弦函数、欧式距离或者指数函数等。通过loss训练网络使相似样本间的距离越小，不同样本间的距离越大，学习得到的权重w为两个卷积神经网络子网共享。最后网络模型输出两个样本的相似度E。图2.2孪生网络的结构框架图近年来，孪生网络因其架构简单及表现出色而受到了普遍的欢迎，许多工作都是基于孪生网络进行改进以期同时提高精度和速度。SINT[32]算法将视觉跟踪任务看成是一个检验工作，检验后续视频帧与起始帧间的相似性，同时该算法采用光流提升追踪器的性能；EAST[33]算法对底层特征进行判断，若能实现追踪就无需提取目标的深度特征；DSiam[34]算法通过在线学习待跟踪目标的外观变化从而提升网络提取的特征的表征能力。总的来说，深度孪生网络的改进可分为两种代表性的方法：一、对孪生网络的子网分支进行修改。如RASNet[35]算法对孪生网络的目标模板分支进行修改，将模板特征图通过generalattention、channel

基于目标似然矩阵和注意力模型的目标追踪方法研究14神经网络的本质是将一个输入X通过映射函数输出Y，函数的系数就是不断训练网络模型得到的参数。一旦确定函数的系数，对于给定的输入x就可以得到对应的输出y。在深度学习任务中，给定的训练集通常包含输入X和输出Y，为了使网络模型的真实输出Y尽可能接近给定训练集的输出Y，需要不断调整网络模型参数。整个过程将涉及到前向传播和反向传播（BP）[38]。在介绍BP算法前，需要了解前向传播即输入X如何得到输出Y。如图2.3所示，图中只显示了网络的三层结构，通过第一次的权重W(1)和偏置b(1)可以计算出第二层的激活值(2)a，通过第二层可以计算第三层的激活值(3)a，同理，我们将其拓展，给定l层的激活值，则第l+1层的激活值如式（2.6）所示。(1)(1)()()()()()()()()(())llllllllafzfWabfWfzb++==+=+（2.6）图2.3神经网络结构图BP算法的核心思想是设计一个基于网络参数的代价函数，对各层的权重W和偏置b求偏导表达式，表达式可表示代价函数随网络模型参数变化的程度。若代价函数与预期值相差较大，则需要大幅度调整权重W和偏置b，目的是要不断更新代价函数使其尽可能接近预期值，重复以上过程直至代价函数值在允许的误差内才停止算法。对于一个包含m个样本的训练集，设计其整体的代价函数J(W,b)如式（2.7）所示。112()()()2,111111(,)()()22lllmnssiilWbjiilijJWbhxyWm+=====+（2.7）其中，第一项为均方差项，第二项为正则项，防止网络模型过拟合。为使代价函2.3神经网络中BP算法


本文编号：2983879