基于多分支注意力孪生网络的目标跟踪算法

• Published in: 华南理工大学学报（自然科学版） Vol. 50; no. 12; pp. 30 - 40
• Main Authors: 余陆斌, 田联房, 杜启亮
• Format: Journal Article
• Language: Chinese
• Published: 工业和信息化部电子第五研究所,广东 广州 511370%华南理工大学 自动化科学与工程学院,广东 广州 510640 01.12.2022; 南方海洋科学与工程广东实验室,广东 珠海 519000; 华南理工大学 自动化科学与工程学院,广东 广州 510640; 华南理工大学 自主系统与网络控制教育部重点实验室,广东 广州 510640; 华南理工大学 自主系统与网络控制教育部重点实验室,广东 广州 510640%华南理工大学 自动化科学与工程学院,广东 广州 510640; 华南理工大学 中新国际联合研究院,广东 广州 510555
• Subjects: 超分辨率; 注意力模块; 目标跟踪; 孪生网络; 数据增强
• ISSN: 1000-565X
• DOI: 10.12141/j.issn.1000-565X.210541

TP391.4; 目标跟踪在计算机视觉任务中有重要的意义.近年来随着深度学习的发展,基于孪生网络的目标跟踪算法因其优异的性能而被广泛应用.然而,现有基于孪生网络的跟踪算法在目标发生较大形变、低分辨率、复杂背景等情况下的跟踪性能通常会显著下降.为此,文中提出了一种基于多分支注意力孪生网络的目标跟踪算法.该算法首先构建了超分辨率模块和数据增强模块,分别对目标模板进行超分辨率和数据增强,提升目标模板的特征表征能力;然后利用3个主干网络分别提取原始目标模板、超分辨率目标模板和数据增强目标模板的特征,并进行特征融合,同时在主干网络中应用了通道注意力模块和空间注意力模块,以提升特征提取能力;最后,将融合后的特征图与待搜索区域的特征图输入区域生成网络模块,得到目标跟踪信息.实验结果表明,该算法在OTB100数据集上的精确率为0.919、成功率为0.707,在VOT2018数据集上的准确率为0.642、鲁棒性为0.149,在实际场景中的运行速度每秒至少20次,说明该算法具有优异的跟踪性能,并且在各种复杂场景下都具有良好的鲁棒性.