典型文献
基于IoU约束的孪生网络目标跟踪方法
文献摘要：
基于孪生网络的跟踪方法通过离线训练跟踪模型,不需要对跟踪模型进行在线更新,兼顾了跟踪精度和速度.现有孪生网络目标跟踪方法使用固定阈值选择正负训练样本易造成训练样本漏选问题,且训练时分类分支和回归分支之间存在低相关性问题,不利于训练出高精度的跟踪模型.为此,提出了一种基于交并比(IoU)约束的孪生网络目标跟踪方法.通过使用动态阈值策略根据预定义锚框与目标真实框的相关统计特征,动态调整正负训练样本的界定阈值,提升跟踪精度.所提方法使用IoU质量评估分支代替分类分支,通过锚框与目标真实框之间的IoU反映目标位置,提升跟踪精度,降低模型的参数量.在数据集VOT2016、OTB-100、VOT2019、UAV123上进行了对比实验,所提方法均有较好的表现.在VOT2016数据集上,所提方法的跟踪精度比SiamRPN方法高0.017,期望平均重叠率为0.463,与SiamRPN++相比仅差0.001,实时运行速度可达220帧/s.
文献关键词：
目标跟踪;深度学习;孪生网络;交并比(IoU)约束;动态阈值
中图分类号：
作者姓名：
周丽芳;刘金兰;李伟生;雷帮军;何宇;王一涵
作者机构：
重庆邮电大学 软件工程学院, 重庆 400065;重庆邮电大学 计算机科学与技术学院, 重庆 400065;重庆邮电大学 图像认知重庆市重点实验室,重庆400065;三峡大学 水电工程智能视觉监测湖北省重点实验室,宜昌443002
文献出处：
引用格式：
[1]周丽芳;刘金兰;李伟生;雷帮军;何宇;王一涵-.基于IoU约束的孪生网络目标跟踪方法)[J].北京航空航天大学学报,2022(08):1390-1398
A类：
B类：
IoU,孪生网络,目标跟踪,跟踪方法,离线训练,在线更新,跟踪精度,固定阈值,阈值选择,正负,训练样本,低相关性,练出,交并比,动态阈值,阈值策略,预定,锚框,关统,统计特征,质量评估,估分,目标位置,参数量,VOT2016,OTB,VOT2019,UAV123,重叠率,SiamRPN++,时运,运行速度
AB值：
0.411427
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。
