典型文献
结合特征金字塔和区域候选网络的视觉目标跟踪
文献摘要：
基于区域候选网络(RPN)与孪生网络的框架可以快速的回归位置、形状信息,展现出了良好的跟踪速度和准确性.然而,采用的单阶段SiamRPN跟踪器不能有效地处理相似性干扰和大尺度变化等复杂情况.针对上述问题,本文提出了一个基于特征金字塔(FPN)的级联RPN网络(简记为CF-RPN)的多阶段的跟踪框架.该框架的基础网络由一对孪生的FPN构成,其深高层到浅低层特征分别输送到级联的RPN模块中.相对于传统RPN网络,级联RPN网络具有多个锚点框,其锚点受前一级RPN的影响.与现有的算法相比,其一,多尺度特征的提取使得目标的高层语义信息以及底层空间信息都能充分利用;其二,级联RPN网络能够对难负样本(hard negative samples)进行采样,保证训练样本更加均衡;其三,级联的RPN可实现锚点框逐级更新,从而细化每一个RPN中目标的位置和形状,提高定位的准确性,使得跟踪更加精确.通过测试,本文提出的CF-RPN算法在OTB50,OTB100上能达到62.36％和66.18％的准确率,相对于SiamMask算法,其精度分别提高了2.14％和1.9％;在VOT2016,VOT2018,VOT2019数据集上分别能达到65.5％,61.3％,60.0％,相对于SiamMask算法,其精度分别提高了3.4％,2.1％和1.8％.
文献关键词：
目标跟踪;多尺度;特征提取;孪生网络
中图分类号：
作者姓名：
王敬坤;丁德锐;梁伟;王永雄
作者机构：
上海理工大学 光电信息与计算机工程学院,上海200093
文献出处：
引用格式：
[1]王敬坤;丁德锐;梁伟;王永雄-.结合特征金字塔和区域候选网络的视觉目标跟踪)[J].小型微型计算机系统,2022(01):117-123
A类：
OTB50
B类：
特征金字塔,区域候选网络,视觉目标跟踪,孪生网络,归位,单阶段,SiamRPN,跟踪器,大尺度,尺度变化,复杂情况,FPN,简记,记为,CF,多阶段,低层,别输,输送到,锚点框,多尺度特征,特征的提取,语义信息,层空间,空间信息,hard,negative,samples,训练样本,其三,逐级,OTB100,SiamMask,VOT2016,VOT2018,VOT2019
AB值：
0.405869
相似文献
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。
