基于注意力机制的在线自适应孪生网络跟踪算法

发布时间：2021-03-03 05:46

　　针对全卷积孪生（SiamFC）网络算法在相似目标共存和目标外观发生显著变化时跟踪失败的问题,提出一种基于注意力机制的在线自适应孪生网络跟踪算法（AAM-Siam）来增强网络模型的判别能力,实现在线学习目标外观变化并抑制背景。首先,分别在模板分支和搜索分支中加入前一帧跟踪所得到的结果,弥补网络在应对目标外观变化的不足;然后通过在孪生网络中加入空间注意力模块和通道注意力模块实现不同帧之间的特征融合,从而在线学习目标形变并抑制背景,进一步提升模型的特征表达能力;最后,在OTB和VOT2016跟踪基准库上进行实验。实验结果表明,本文算法在OTB50数据集上的精确度和平均成功率比基础算法SiamFC分别高出了4.3个百分点和3.6个百分点。 

【文章来源】：激光与光电子学进展. 2020,57(02)北大核心

【文章页数】：9 页

【部分图文】：

基于注意力机制的在线自适应孪生网络框架

经过裁剪的第t-1帧

将各个位置的特征图进行元素项相加，得到空间注意力输出的特征φspa，即对于通道注意模块，特征图的每个通道都可以视为一种特殊的特征检测器[17]，可通过建模通道之间的相互依赖性来自适应地校准通道方面的特征响应，同时为了能够学习通道之间的非线性相互作用，选用Sigmoid函数作为非线性激活函数。如图4所示，通道包含全局平均池化层（G-avg-pooling）和两层全连接层（FC），其中ReLU为激活函数。为了汇总通道信息，保持深度网络对目标外观变化的适应能力，将空间注意模块的输出φspa∈Rw×h×d作为通道注意模块的输入，可以得到各个通道l的权重参数s=[s1,s2，…，sn],n为通道总数。权重参数与输入特征图元素项相乘得到注意力模块的输出特征φcha，即

【参考文献】：
期刊论文
[1]基于高斯混合模型和卷积神经网络的视频烟雾检测[J]. 李鹏,张炎.  激光与光电子学进展. 2019(21)
[2]基于卷积神经网络的足跟着地事件检测算法[J]. 李卓容,王凯旋,何欣龙,糜忠良,唐云祁.  激光与光电子学进展. 2019(21)
[3]重构特征联合的多域卷积神经网络跟踪算法[J]. 杨大伟,巩欣飞,毛琳,张汝波.  激光与光电子学进展. 2019(19)
[4]基于卷积神经网络和RGB-D图像的车辆检测算法[J]. 王得成,陈向宁,赵峰,孙浩燃.  激光与光电子学进展. 2019(18)

硕士论文
[1]基于深度学习的目标跟踪算法研究[D]. 李蓝星.哈尔滨工业大学 2018



本文编号：3060729