|
1.
基于联合优化的强耦合孪生区域推荐网络的目标跟踪算法
石国强, 赵霞
计算机应用
2020, 40 (10):
2822-2830.
DOI: 10.11772/j.issn.1001-9081.2020030297
针对区域推荐网络(RPN)在目标跟踪任务中出现的最大分类分数与最佳边框不匹配的问题,提出一种基于联合优化的强耦合孪生区域推荐跟踪算法(SCSiamRPN)。首先,采用Bounded IoU方法来优化正样本交并比(IoU)值的计算,通过分解公式、固定变量、替换差值和约束近似的操作来简化计算过程。然后,优化损失函数结构,通过在分类损失函数中添加以IoU值为纽带的耦合因子来联合分类任务和边框回归任务,以提升高IoU样本的损失值;通过在边框回归损失函数中添加以IoU为主变量的加权系数来提高目标中心样本的贡献,以提升边框定位精度。仿真结果显示:SCSiamRPN算法在OTB100数据集上的精度和成功率为0.86和0.64;同基于孪生区域推荐候选网络的高性能单目标跟踪(SiamRPN)算法相比,均有3%的提升。实验结果表明:SCSiamRPN算法解决了最大分类分数与最佳边框不匹配的问题,增强了分类和边框回归任务的耦合性,且在不损失跟踪速度的前提下实现了跟踪精度的较大幅度提升。
参考文献 |
相关文章 |
多维度评价
|
|