近年來,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,視覺目標(biāo)跟蹤逐漸成為了計算機(jī)視覺領(lǐng)域中一大熱門研究方向,在諸如交通監(jiān)管、無人駕駛、智能導(dǎo)航、人機(jī)交互甚至軍事領(lǐng)域等大量場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、運動模糊、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景各類干擾挑戰(zhàn)時跟蹤的精確度與魯棒性,并結(jié)合視頻文字跟蹤任務(wù),針對其難點做出相應(yīng)改進(jìn),實現(xiàn)跟蹤模型在文本場景中的應(yīng)用。本文主要貢獻(xiàn)包括以下幾點: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,通過對回歸分支的卷積核參數(shù)的內(nèi)部優(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)確地擬合目標(biāo)位置坐標(biāo)。2、采用了模型無關(guān)元學(xué)習(xí)法的訓(xùn)練方案對參數(shù)進(jìn)行更新,得到的模型在面對新的跟蹤視頻時僅通過對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),實現(xiàn)對當(dāng)前... 

【文章來源】：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

【文章頁數(shù)】：78 頁

【學(xué)位級別】：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 ROI 在特征圖上都有對應(yīng)位ing Box，回歸分支的作用就是對這些坐標(biāo)框進(jìn)行修正。ROI 的生成過程測圖片每個像素為中心生成 個大小預(yù)設(shè)定框（Anchor），通過分類分別是否被包含在框內(nèi)，再通過回歸分支對 Anchor 的位置( )和大小，根據(jù)偏移量( )即可計算得到 Bounding Box，偏移公式 = = = = 里沒有直接計算( )的原因是，用回歸方式計算的前提是原本 A

，N4川翻l比膠R喂向.rr月扣，目到創(chuàng).叮卜


本文編號：3009038