近年來(lái),人工智能的發(fā)展異常迅猛,作為視頻與圖像序列智能化分析處理的最重要方式之一,視覺(jué)目標(biāo)跟蹤逐漸成為了計(jì)算機(jī)視覺(jué)領(lǐng)域中一大熱門研究方向,在諸如交通監(jiān)管、無(wú)人駕駛、智能導(dǎo)航、人機(jī)交互甚至軍事領(lǐng)域等大量場(chǎng)景下均擁有廣闊的發(fā)展與應(yīng)用前景。由于自然拍攝環(huán)境下存在諸多干擾,目標(biāo)跟蹤算法面臨包括形變、旋轉(zhuǎn)、被遮擋、尺度變換、光照變化、運(yùn)動(dòng)模糊、相似物體干擾等各種困難與挑戰(zhàn)。本文基于孿生結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的視覺(jué)目標(biāo)跟蹤算法模型,利用基于元學(xué)習(xí)梯度下降的訓(xùn)練優(yōu)化方法,提高了跟蹤模型在面臨自然場(chǎng)景各類干擾挑戰(zhàn)時(shí)跟蹤的精確度與魯棒性,并結(jié)合視頻文字跟蹤任務(wù),針對(duì)其難點(diǎn)做出相應(yīng)改進(jìn),實(shí)現(xiàn)跟蹤模型在文本場(chǎng)景中的應(yīng)用。本文主要貢獻(xiàn)包括以下幾點(diǎn):1、在目前孿生網(wǎng)絡(luò)跟蹤模型基礎(chǔ)上,提出了一種新的基于元學(xué)習(xí)梯度更新的目標(biāo)跟蹤算法,通過(guò)對(duì)回歸分支的卷積核參數(shù)的內(nèi)部?jī)?yōu)化,充分利用模板幀目標(biāo)坐標(biāo)監(jiān)督信息,使得跟蹤模型可以更準(zhǔn)確地?cái)M合目標(biāo)位置坐標(biāo)。2、采用了模型無(wú)關(guān)元學(xué)習(xí)法的訓(xùn)練方案對(duì)參數(shù)進(jìn)行更新,得到的模型在面對(duì)新的跟蹤視頻時(shí)僅通過(guò)對(duì)第一幀圖像的一次或少量幾次梯度下降,就得到能夠適應(yīng)當(dāng)前視頻的最優(yōu)模型參數(shù),實(shí)現(xiàn)對(duì)當(dāng)前... 

【文章來(lái)源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

SiameseFC網(wǎng)絡(luò)結(jié)構(gòu)

圖 2-2 候選區(qū)域生成網(wǎng)絡(luò)結(jié)構(gòu)[38]PN 通常用于提取感興趣區(qū)域，若某個(gè)區(qū)域的得分大于一定閾值，即可像屬于分類任務(wù)中的某一類，網(wǎng)絡(luò)會(huì)將所有可能包含物體的區(qū)域選取出被稱為 ROI（Region of Interests），每個(gè) ROI 在特征圖上都有對(duì)應(yīng)位ing Box，回歸分支的作用就是對(duì)這些坐標(biāo)框進(jìn)行修正。ROI 的生成過(guò)程測(cè)圖片每個(gè)像素為中心生成 個(gè)大小預(yù)設(shè)定框（Anchor），通過(guò)分類分別是否被包含在框內(nèi)，再通過(guò)回歸分支對(duì) Anchor 的位置( )和大小，根據(jù)偏移量( )即可計(jì)算得到 Bounding Box，偏移公式 = = = = 里沒(méi)有直接計(jì)算( )的原因是，用回歸方式計(jì)算的前提是原本 A

，N4川翻l比膠R喂向.rr月扣，目到創(chuàng).叮卜


本文編號(hào)：3009038