1 中国科学院光电技术研究所,成都 610200
2 中国科学院大学 电子电气与通信工程学院,北京 101408
基于孪生网络的跟踪器受限于孪生网络跟踪框架固有的跟踪机制和搜索区域选择机制,当目标处在被遮挡、快速运动和出视野等困难场景下时,如何稳定、鲁棒地进行目标跟踪始终是孪生网络跟踪器亟需解决的问题。为此,文章提出一种结合光流的孪生区域提名网络目标跟踪算法（GOF-SiamRPN）。通过全局光流对目标的运动趋势信息进行补充,该方法可以有效地解决在这些困难场景下的跟踪问题。在VOT2019和UAV123上的实验结果表明,相比基准方法,该算法分别取得了2.0%和1.8%的性能提升。与其他先进的跟踪器相比,该算法也取得了有竞争力的跟踪效果。
目标跟踪 光流 孪生区域提名网络 object tracking optical flow Siamese region proposal network
1 太原理工大学, 太原 030000
2 中国科学院空天信息研究院, 北京 100000
针对雾天遥感图像目标检测困难的问题, 提出了一种基于Mask R-CNN的改进方法。在Mask R-CNN的基础上加入去雾算法, 使雾天情形下检测精度提升18.71%, 有效改善雾天场景下目标检测的效果。为进一步提高遥感图像中多尺度目标的检测精度, 采用基于最优的特征组合的循环神经网络代替特征金字塔结构, 减少了特征信息在传递过程中的流失; 重新设计区域建议网络生成候选框的尺寸, 并采用Soft-NMS筛选候选框, 减小候选框的回归误差。经过实验分析, 改进后算法的检测精度和召回率分别提升5.37%和6.37%。
遥感图像 去雾 循环神经网络 区域建议网络(RPN) remote sensing image defogging recurrent neural network Region Proposal Network (RPN)
西安工业大学电子信息工程学院, 陕西 西安 710021
针对SiamRPN(Siamese Region Proposal Network)在目标被短时遮挡以及外观剧烈变化的情况下存在定位不准确的问题,提出一种结合目标跟踪缓冲区与三元组损失的目标跟踪算法。该算法首先将原有的固定模板改为动态模板,提升复杂环境下相似度判别的可靠性;然后在模板缓冲区稀疏地缓存目标外观以应对跟踪过程中非语义样本的干扰,增强目标跟踪的鲁棒性;最后应用三元组损失以充分利用目标的正负样本特征,使跟踪更加具有判别能力。使用OTB100数据集进行实验,结果表明所提算法的成功率曲线下面积较SiamRPN提高了0.021,平均中心位置误差降低了25.56 pixel,平均重叠率提高了25.2%。
机器视觉 孪生网络 区域提议网络 缓冲区 三元组损失 激光与光电子学进展
2021, 58(20): 2015002
针对遥感图像中舰船形状狭长、分布杂乱等特性导致检测难度增大的问题,提出了一种基于快速区域卷积神经网络(Faster R-CNN)的舰船目标检测方法。采用双路网络提取舰船目标特征,为了使特征图充分融合底层细节信息和高层语义信息,用多尺度融合特征金字塔网络(MFPN)进行特征融合;在候选框生成阶段,提出了自适应旋转区域生成网络(AR-RPN),集中在目标中心位置生成旋转锚框,以高效获取优质的候选框。为了提升网络对舰船目标的检测率,结合改进的损失函数对网络进行优化。在HRSC2016和DOTA舰船数据集上的测试结果表明,本方法的平均精度分别为89.10%和88.64%,能很好地适应遥感图像中舰船的形状与分布特性。
图像处理 舰船检测 遥感图像 多尺度特征融合 自适应旋转区域生成网络 激光与光电子学进展
2020, 57(24): 242805
为了实现遥感图像中目标的快速准确检测,解决遥感图像目标带有旋转角度的问题,在卷积神经网络理论的基础上,将旋转区域网络生成融入到Faster R-CNN网络中,提出了一种基于Faster R-CNN改进的遥感图像目标检测方法。相对于主流目标检测方法,本文算法针对遥感图像中的大多数目标都具有方向性不定且相对聚集的特点,在区域候选网络中加入了旋转因子,以便能够生成任意方向的候选区域;同时,在网络的全连接层之前增加一个卷积层,以降低其特征图参数,增强分类器的性能,避免出现过拟合。将本文算法与几种主流目标检测方法进行对比分析后可知,本文算法因融合了多尺度特征及旋转区域网络的卷积神经网络所提取的特征,能得到更好的检测结果。
成像系统 目标检测 遥感图像 深度学习 旋转区域生成网络
江南大学物联网工程学院, 轻工过程先进控制教育部重点实验室, 江苏 无锡 214122
基于区域的全卷积网络(R-FCN)的区域生成网络(RPN)沿用了更快速区域卷积神经网络(Faster R-CNN)的RPN。针对RPN先验框的大小与数量均需人为固定,生成的建议区域过多等问题,将聚类思想应用到RPN中,改进先验框的生成方式,提出了基于聚类式区域生成的全卷积目标检测网络。通过对训练样本的真实框进行K-Means聚类得到先验框的最适大小和最佳数量,取代原本人为固定选取先验框的方式。此外,为增强模型的泛化能力,在改进后的R-FCN上使用ResNet基础网络,采用困难样本挖掘方法进行训练。实验结果表明,相较于R-FCN等方法,该聚类区域全卷积目标检测网络得到的检测结果在精度和速度上都得到了明显的提升。
图像处理 目标检测 聚类算法 K-Means 先验框 区域生成网络 激光与光电子学进展
2019, 56(15): 151001
1 东华大学信息科学与技术学院, 上海 201620
2 东华大学数字化纺织服装技术教育部工程研究中心, 上海 201620
3 华东理工大学信息科学与工程学院, 上海 200237
行人检测是机器人和无人车夜间工作应用中的重要任务之一, 采用加速区域卷积神经网络框架实现夜间红外图像中的行人检测, 用区域建议网络生成候选区域, 无需单独从图像中生成候选区域。区域建议网络和用于分类以及位置精修的卷积网络中, 采用卷积层参数共享机制, 使得该框架具有端到端的优点, 因此无需手动选取目标特征, 实现了从输入图像直接到行人检测的功能。实验结果表明, 与使用传统方法和快速区域卷积神经网络相比, 使用加速区域卷积网络框架对红外图像进行行人检测的准确率从68.2%和73.4%提高到了90.9%, 检测时间从3.6 s/frame和2.3 s/frame缩短到了0.04 s/frame, 达到了实际应用中的实时性要求。
图像处理 红外图像 行人检测 加速区域卷积神经网络 区域建议网络 激光与光电子学进展
2017, 54(8): 081003
