DSiam-CnK:一个CBAM和KCF支持的深地区建议网络,用于在动态和封闭场景中跟踪人类
Xiangpeng Liu1, Jianjiao Han1, Yulin Peng1
1College of Information, Mechanical & Electrical Engineering, Shanghai Normal University, 100 Haisi Road, Shanghai 201418, China.
Sensors (Basel, Switzerland)
|January 8, 2025
概括
本研究介绍了DSiam-CnK,这是一个动态的罗神经网络,可以提高对象跟踪的准确性和稳定性,特别是在长时间跟踪和闭塞期间. 它增强模板更新,以在具有挑战性的数据集上提供更好的性能.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 对象跟踪中的罗神经网络经常严重依赖初始,缺乏动态模板更新.
- 长时间的跟踪场景对现有算法提出了诸如目标封闭和框架退出等挑战.
研究的目的:
- 增强SiamRPN算法,以在长时间的场景中提高对象跟踪精度和稳定性.
- 为适应性跟踪策略引入动态模板更新功能.
主要方法:
- 集成卷积块注意力模块 (CBAM) 以提高空间通道注意力.
- 整合Kernelized相关性过器 (KCFs) 进行优质的特征模板表示.
- 开发DSiam-CnK,一个具有动态模板更新的语网络.
主要成果:
- 在OTB2015上,DSiam-CnK实现了92.1%的成功率和90.9%的精度与SiamRPN.
- 2018年VOT结果显示,以46.7%的VOT-A,135.3%的VOT-R和26.4%的VOT-EAO,表现领先.
- 拉索特数据集的性能包括35.3%的精度和39%的成功率.
结论:
- 拟议的DSiam-CnK方法显著提高了对象跟踪的精度和稳定性.
- 动态模板更新和注意力机制有助于在具有挑战性的跟踪条件下提供卓越的性能.
