典型文献
YOLOv5与Deep-SORT联合优化的无人机多目标跟踪算法
文献摘要：
针对无人机平台下小目标检测性能差、目标尺度变化较大、复杂背景干扰等导致跟踪失败的问题,该文提出一种联合优化检测器YOLOv5(You Only Look Once)和Deep-SORT(Simple Online and Realtime Tracking with a Deep Association Metric)的无人机多目标跟踪算法.该算法使用改进的CSPDarknet53(Cross Stage Paritial Darknet53)骨干网络重新构建检测器中的特征提取模块,同时通过自顶向下和自底向上的双向融合网络设计小目标检测层,采用无人机航拍数据集训练更新优化后的目标检测网络模型,解决小目标检测性能差问题;在跟踪模块中,提出结合时空注意力模块的残差网络作为特征提取网络,加强网络感知微小外观特征及抗干扰的能力,最后采用三元组损失函数加强神经网络区分类内差异的能力.实验结果表明,优化后的目标检测的平均检测精度相比于原始YOLOv5提升了11％,在UAVDT数据集上相较于原始跟踪算法准确率与精度分别提高了13.288％、3.968％,有效减少目标身份切换频次.
文献关键词：
深度学习;目标跟踪;目标检测;无人机
中图分类号：
作者姓名：
罗茜;赵睿;庄慧珊;罗宏刚
作者机构：
华侨大学信息科学与工程学院,福建厦门 362021
文献出处：
引用格式：
[1]罗茜;赵睿;庄慧珊;罗宏刚-.YOLOv5与Deep-SORT联合优化的无人机多目标跟踪算法)[J].信号处理,2022(12):2628-2638
A类：
Paritial
B类：
YOLOv5,Deep,SORT,联合优化,多目标跟踪算法,无人机平台,台下,检测性能,标尺,尺度变化,复杂背景,背景干扰,优化检测,检测器,You,Only,Look,Once,Simple,Online,Realtime,Tracking,Association,Metric,CSPDarknet53,Cross,Stage,骨干网络,取模,自顶向下,底向上,双向融合,融合网络设计,小目标检测层,无人机航拍,航拍数据,集训,更新优化,目标检测网络,时空注意力模块,残差网络,特征提取网络,网络感知,外观特征,三元组损失,损失函数,类内差异,检测精度,UAVDT,目标身份,身份切换
AB值：
0.452823
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
