申请/专利权人：南京信息工程大学

申请日：2023-12-05

公开（公告）日：2024-03-08

公开（公告）号：CN117670933A

主分类号：G06T7/246

分类号：G06T7/246;G06V10/22;G06V10/764;G06V10/766;G06V10/44;G06V10/82;G06N3/045;G06N3/084;G06N3/0985

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.26#实质审查的生效;2024.03.08#公开

摘要：本发明公开了一种基于元自适应边界定位的孪生网络目标跟踪方法：载入基于孪生网络的模型；输入模板和搜索图像得到特征图；分类分支与回归分支进行深度互相关操作，分别生成分类得分图和回归预测框；边界定位分支生成边界定位得分和边界定位预测框；使用边界定位分支结果修正分类分支和回归分支的结果，实现最终定位；动态加权三分支的损失，得到总损失优化目标，进而使用Meta‑SGD更新模型的学习率和网络参数；载入更新模型，重复上述步骤，完成新的目标跟踪任务。本发明引入边界定位分支，增强了定位精度；动态加权三分支的损失，减少了各分支之间的不匹配问题；采用Meta‑SGD来训练模型，可以快速自适应新的跟踪任务。

主权项：1.一种基于元自适应边界定位的孪生网络目标跟踪方法，其特征在于，包括步骤如下：步骤一：载入基于孪生网络的跟踪器模型，所述孪生网络包括特征提取网络和区域候选网络，所述区域候选网络包括分类分支、回归分支和边界定位分支；步骤二：将模板图像和待跟踪的搜索图像输入特征提取网络进行特征提取，得到卷积提取的特征图；步骤三：将卷积提取的特征图输入区域候选网络，其中，分类分支与回归分支进行深度互相关操作，分别生成分类得分图和回归预测框；边界定位分支中设有BorderAlign模块，生成边界定位得分和边界定位预测框；步骤四：由BorderAlign模块将边界定位得分与分类得分图相乘，生成新的置信度得分；对边界定位预测框与回归预测框求平均值，得到新的边界预测框；步骤五：将新的置信度得分和新的边界预测框分别进行自适应的加权融合，得到模型预测的置信度得分和模型预测的边界预测框，即目标的跟踪结果，其中权值与网络同步优化；步骤六：动态加权分类分支、回归分支和边界定位分支的损失，得到总损失优化目标，进而使用Meta-SGD更新模型的学习率和网络参数；步骤七：载入更新后的模型，重复步骤一至步骤六，完成新的目标跟踪任务。

全文数据：

权利要求：

百度查询： 南京信息工程大学 一种基于元自适应边界定位的孪生网络目标跟踪方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD