典型文献
ATOM多注意力融合工件跟踪方法研究
文献摘要：
针对工业生产复杂环境下,工件跟踪鲁棒性差且精确度低的问题,本文提出了一种基于重叠最大化精确跟踪算法(accurate tracking by overlap maximization,ATOM)的多注意力融合工件跟踪算法.该算法采用ResNet50为骨干网络,首先融入多注意力机制,使得网络更关注目标工件的关键信息;其次,使用注意力特征融合(attentional feature fusion,AFF)模块融合深层特征与浅层特征,更好地保留目标工件的语义与细节信息,以适应工业生产复杂多变的环境;最后将骨干网络第3层和第4层特征送入CSR-DCF分类器中,对得到的响应图进行融合,用以获取目标工件的粗略位置,通过状态估计网络获取精确目标框.实验表明,本文算法在OTB-2015数据集上的成功率(Success)与准确率(Precision)分别达到67.9％和85.2％;在VOT-2018数据集上的综合评分达到0.434,具有较高的精度和鲁棒性;在CCD工业相机拍摄的目标工件序列上,进一步验证了本文算法能高效应对工件跟踪过程中的常见挑战.
文献关键词：
深度学习;目标跟踪;注意力机制;特征融合
中图分类号：
作者姓名：
徐健;张林耀;袁皓;刘秀平;闫焕营
作者机构：
西安工程大学电子信息学院,陕西西安710048;深圳罗博泰尔机器人技术有限公司,广东深圳518109
文献出处：
引用格式：
[1]徐健;张林耀;袁皓;刘秀平;闫焕营-.ATOM多注意力融合工件跟踪方法研究)[J].光电子·激光,2022(10):1047-1054
A类：
B类：
ATOM,注意力融合,跟踪方法,复杂环境,跟踪算法,accurate,tracking,by,overlap,maximization,ResNet50,骨干网络,多注意力机制,注目,关键信息,注意力特征融合,attentional,feature,fusion,AFF,模块融合,深层特征,细节信息,送入,CSR,DCF,分类器,响应图,粗略,状态估计,OTB,Success,Precision,VOT,综合评分,CCD,工业相机,工件序,列上,目标跟踪
AB值：
0.484262
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。
