【摘 要】
：
为了提高孪生网络SiamFC++的跟踪精确度和尺度适应性,提出了一种具有特征融合和双分支模板动态更新机制的实时目标跟踪算法。针对跟踪精确度,在骨干网络的浅层设计特征融合分支从而提高特征提取能力。另外,使用平均峰值相关能量(APCE)方法判断分类模板是否更新从而提高分类能力,改善了遮挡和形变时的跟踪效果。针对尺度适应性,使用交并比梯度比值法和响应图方差率判断回归模板是否更新,增强了快速移动和尺度变化
【机 构】
：
中国科学院光电技术研究所,中国科学院大学,中国科学院光束控制重点实验室
【基金项目】
：
重大专项基金(G158207)项目资助。
论文部分内容阅读
为了提高孪生网络SiamFC++的跟踪精确度和尺度适应性,提出了一种具有特征融合和双分支模板动态更新机制的实时目标跟踪算法。针对跟踪精确度,在骨干网络的浅层设计特征融合分支从而提高特征提取能力。另外,使用平均峰值相关能量(APCE)方法判断分类模板是否更新从而提高分类能力,改善了遮挡和形变时的跟踪效果。针对尺度适应性,使用交并比梯度比值法和响应图方差率判断回归模板是否更新,增强了快速移动和尺度变化的适应性。为了保证实时性,将两个分支的更新过程嵌套起来形成双分支模板动态更新机制。在数据集OTB2015
其他文献
随着测井技术的发展,大量测井数据需要实时传输,而现有的测井传输系统的速率难以满足要求。由于测井数据存在信息冗余,压缩数据后再传输可以等效提高传输速率。为此,提出了一种改进的可自适应量化调整编码器的差分脉码调制(DPCM)算法。首先通过对测井数据进行分析获取统计信息极值、分析数据的变化趋势,根据这些信息动态的调整编码的码长和编码器的量化步长,保持编码器与方差的统一。实验结果表明改进之后的DPCM可以有效的降低数据的波动性带来的影响,减小数据的编码长度,提高压缩比。
针对现在通信辐射源个体识别方法的特征难以提取、计算复杂及识别率低等问题。提出了一种基于复杂度的通信辐射源目标识别方法。首先信号进行奇异值分解(SVD)降噪处理,从熵值和分形维数两个复杂度方向分析细微信号所带来的变化,通过对比分析选择了样本熵、排列熵和盒维数作为特征参数;然后使用云自适应粒子群(CAPSO)的算法,优化极限学习机的阈值和连接权值,提高神经网络的分类预测精度,完成了辐射源个体的识别。仿真结果表明该方法在较低的信噪比环境下的识别率高达95%以上。
国家级台站备份自动站各要素传感器随着时间推移,均会发生一定程度的漂移。为确保各要素传感器测量数据的准确、可靠,按照要求需定期开展现场校准工作,不确定度评定是校准工作的重要部分。因此,结合自动站现场校准工作,依据JJF1059.1-2012《测量不确定度评定与表示》的要求,首先介绍了测量结果不确定度评定的一般方法和详细步骤,然后分析各要素误差来源,通过实例分别对温度、湿度、气压、雨量、风速和风向传感
针对B5G毫米波通信宏基站、微基站、微微基站、便携终端等设备的研发、生产、预认证、维修保障等测试需求,设计一款可应用于“5G新基建”通信设备产业链多环节所需仪表的高效多速率OTA信号处理模块。采用改进的并行多相滤波技术和任意速率比快速傅里叶变换(FFT)处理技术,基于FPGA算法平台实现B5G毫米波OTA接收机多路信号接收时域/频域并行变速率处理逻辑电路,提高B5G复杂波形OTA信号解析的实时性。实验结果表明,该电路能高效完成B5G复杂波形OTA信号的时域/频域解析,适合作为B5G毫米波OTA接收机多
传统图像去噪算法在解决裂缝图像去噪这一问题时仍然存在边缘细节模糊、算法效率低等不足。针对这一问题,提出了一种脉冲耦合神经网络(PCNN)简化模型结合快速自适应双边滤波的裂缝图像去噪算法(PCNN-FABF)。该算法在利用PCNN的特性来确定噪声点的同时,通过简化PCNN中的参数来提高运算效率。然后利用快速自适应双边滤波对已确定的噪声点进行去噪。快速自适应双边滤波相较于普通双边滤波来说,既能较好地保
由于新旧路基固结程度、变形沉降、回弹模量等工程性质的显著差异,若结合面处治不当将导致路基差异沉降,进而出现横向错台或纵向裂缝。研究基于理正岩土软件,对成南高速扩容工程中填料为红层泥岩、坡脚为软弱土体的典型地质条件的路基,分三种模式即:新旧路基结合后整体变形、沿衔接面变形和路基加载后局部变形,进行了模拟计算分析,得出了稳定性安全系数,提出了处治建议,为这类路堤边坡变形失稳模式的分析提供了理论依据。
图像相似度学习旨在提取图像特征并构造新的相似性学习算法以对图像之间的关系建模。近年来,深度学习网络以能够自动学习特征的优势被广泛用于图像相似度学习中。针对深度学习网络提取的特征过于简单,导致相似度学习效率较低,且训练受到数据集大小的限制等问题,在改进的双分支网络和双通道网络基础上,结合数据增强和多分辨率特征提取方法,设计了一种多分辨率特征提取(IS-MRFE)网络。使用相同数据多输入方法进行网络训
针对移动无线传感网(WSN)运行过程中存在的路径抖动频繁,高频路径节点能量受限概率高等不足,提出了一种基于智能寻径机制的WSN传输路径稳定算法.首先,通过距离—角度综合激励
近年来,显著性目标检测在计算机视觉领域中得到了广泛的关注。随着深度学习技术的发展,越来越多先进的算法被提出。目前基于深度学习的显著性目标检测方法主要使用VGG、ResNet等经典骨干网络以及它们基于FCN结构进行的变形作为基础网络。这些方法通过在基础网络上增加复杂的结构学习特征,导致网络训练变得困难,对数据的依赖变强。针对上述问题,设计了基于多路径递归增强的显著性目标检测方法。该方法引入多路径递归
取样示波器采用等效采样技术可以对远高于被采样信号的频率进行不失真采样,精密时基信号可以通过一种取样装置“取样器”,将被采样信号上线拓展至几十个吉赫兹,低抖动超窄脉