基于孪生全卷积网络的单目标跟踪方法研究

发布时间：2021-03-28 15:56

　　目标跟踪是视觉系统的基础技术之一,在视频监控、自动驾驶和人机交互等领域有重要应用。基于孪生全卷积网络的跟踪方法因其简洁的架构和良好的性能而成为目标跟踪的重要方法之一。这类方法先用卷积神经网络进行特征提取,然后用特征进行目标的定位。早期的孪生全卷积网络跟踪器都采用浅层的卷积神经网络进行特征提取。这种网络提取的特征判别力有限,在复杂情况下无法区分出目标。另外,孪生全卷积网络跟踪器需要大量标注的视频图像帧进行训练。图像中关注的目标只有一个,那么标注数据中就会有大量的负样本产生,而且普通的损失函数不易学习困难样本。针对这些问题,本研究进行了如下两方面的研究:1.针对浅层卷积神经网络特征判别力不足的问题,本研究基于可复用各层特征的稠密连接网络设计了新的孪生全卷积网络架构。为了适应跟踪任务,本研究首先分析了主干卷积神经网络中会影响跟踪结果的因素,然后对原始稠密连接网络进行了改进,加入了中心裁剪操作去掉卷积填充对跟踪的影响。另外,结合特征感受野对跟踪器的影响控制了网络的输出特征图尺寸。多个测试数据集上的实验表明,基于孪生稠密连接网络改进的跟踪器取得了更好的跟踪准确度和鲁棒性。2.针对训练数据集中正负... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

AlexNet网络结构

最大

重庆邮电大学硕士学位论文第2章孪生全卷积网络跟踪方法的相关理论11图2.4单隐藏层的神经网络在图2.4所示的单隐藏层的神经网络中，输入和输出个数分别为3和2，中间的隐藏层中包含了4个隐藏单元（hiddenunit）。由于输入层不涉及计算，该神经网络的层数为2。由图2.4可见，隐藏层中的神经元和输入层中各个输入完全连接，输出层中的神经元和隐藏层中的各个神经元也完全连接。因此，该神经网络中的隐藏层和输出层都是全连接层。假设有一批输入样本∈×，样本个数为，每个样本的输入特征数为。单隐藏层神经网络中，隐藏层单元个数记为，记隐藏层的输出为，则有∈×。由于隐藏层和输出层都是全连接层，可以设隐藏层的权重和偏差参数分别为∈×和∈×，输出层的权重和偏差参数分别为∈×和∈×。该神经网络的输出可以由公式(2.2)和公式(2.3)得到。=+(2.2)=+(2.3)式中，∈×——单隐藏层神经网络输出值联立公式(2.2)和公式(2.3)可以得到计算输出的公式(2.4)。=++(2.4)从联立后的公式可以看出，引入隐藏层的全连接神经网络依然等价于一个单层的神经网络。即便引入更多的隐藏层，这样的全连接神经网络依然等价于一个线性变换。整个神经网络的表征能力并没有加强。4.激活函数卷积层和全连接层都只是对输入进行了线性变换，多层的线性变换等价于单层的线性变换。这让网络的深度成为了无用的指标。为了让网络能叠加得更深，从而获得更强的表征能力，网络就必须加入非线性变换。池化层可以起到非线性变化的作用，但是这会成倍增加网络的参数，过多的池化层也会让网络丢失更多细节信息。

【参考文献】：
期刊论文
[1]视觉目标跟踪方法研究综述[J]. 葛宝义,左宪章,胡永江.  中国图象图形学报. 2018(08)
[2]深度学习研究综述[J]. 张荣,李伟平,莫同.  信息与控制. 2018(04)
[3]基于深度学习的视觉跟踪算法研究综述[J]. 贾静平,覃亦华.  计算机科学. 2017(S1)



本文编号：3105836