题名 | 基于时空关联方法的鲁棒跟踪算法研究 |
作者 | 刘凯文 |
答辩日期 | 2022-05-20 |
文献子类 | 硕士 |
授予单位 | 中国科学院自动化研究所 |
授予地点 | 中国科学院自动化研究所 |
导师 | 胡卫明 |
关键词 | 目标跟踪,鲁棒性,时空关联,时空约束,时空关系建模网络 |
学位名称 | 工学硕士 |
学位专业 | 模式识别与智能系统 |
英文摘要 | 目标跟踪是计算机视觉领域的基础任务之一,有着广阔的应用前景和重要的研究价值。近年来,随着深度学习方法的广泛应用和众多大规模数据集的提出,目标跟踪算法的精度显著提升。当前,基于孪生神经网络结构的目标跟踪方法受到领域内学者的广泛关注,其兼具准确性和实时处理性能。孪生神经网络方法本质上是将目标跟踪问题等效为模板匹配问题进行处理,处理思路简洁高效,并充分利用在大规模数据集上的离线训练,使网络学习到适合跟踪任务的特征匹配空间。虽然此类目标跟踪算法性能优越,然而深入研究发现,当前基于孪生神经网络的目标跟踪算法的鲁棒性弱,在遮挡、快速移动、相似目标干扰等复杂场景中的性能不佳。鲁棒性是跟踪算法的核心指标之一,长期丢失目标会导致跟踪精度显著降低,而当前的众多研究工作将重心放在表观特征的研究上(例如在线更新方法、主干网络设计等),并没有充分利用时序信息或时空关联来提高跟踪算法鲁棒性。因此,本文将围绕漂移问题及鲁棒性这一主题,深入研究时空关联方法对于跟踪算法鲁棒性的作用,主要工作如下: 总结而言,本文围绕跟踪过程中的漂移现象展开,主要研究时空关联机制来提高跟踪算法鲁棒性,并通过大量实验证明了所提方法均可有效缓解跟踪中的漂移问题。 |
语种 | 中文 |
学科主题 | 模式识别 |
页码 | 90 |
内容类型 | 学位论文 |
源URL | [http://ir.ia.ac.cn/handle/173211/48838] |
专题 | 自动化研究所_模式识别国家重点实验室_视频内容安全团队 |
推荐引用方式 GB/T 7714 | 刘凯文. 基于时空关联方法的鲁棒跟踪算法研究[D]. 中国科学院自动化研究所. 中国科学院自动化研究所. 2022. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论