基于深度学习的目标跟踪算法由于其良好的性能已经成为目标跟踪领域的主流算法之一。其核心思想是进行前后帧的相似性学习从而完成模板帧与搜索帧的匹配。其中, 相似性学习是影响跟踪算法性能的关键一环。以孪生网络的相似性学习为切入点, 对现有的深度互相关(DW-XCorr)的相似性学习方式进行改进, 提出了一种多尺度相似性学习的目标跟踪算法。该算法在SiamRPN的基础网络框架下, 构造多尺度互相关(Multi-Scale Cross Correlation, MS-XCorr)模块, 对原有的互相关操作进行多尺度的改进, 从而增加学习特征尺度的多样性, 提高了跟踪网络相似性学习的效率, 最终使得算法跟踪性能有进一步提升。在实验部分, 将改进后的算法与其基线进行了对比实验, 该算法在成功率(Success Rate)、精度(Precision)及平均精度(Norm Precision)上均有提升, 成功率提高了4.3%, 精度提高了4.4%, 平均精度提高了4.0%。实验表明, 多尺度互相关模块相较于深度互相关模块具有更强的相似性学习能力, 提出的多尺度相似性学习的目标跟踪算法在目标光照、形态变化、遮挡以及干扰等复杂场景下具有更好的跟踪性能。

矿物分析在地质勘测及工程应用中都是一项极为关键的工作,在矿物分析中,相比于传统的物理方法和化学方法,拉曼光谱检测能提供更快速的定性定量分析,最重要的是,它对矿物的损伤可以忽略不计。而基于拉曼光谱的数据分析,传统的机器学习方法效果并不理想,尤其在矿物种类极其庞大的情况下。为此,提出一种基于Siamese网络的相似性学习方法,采用Hungarian算法来优化负样本,与传统的机器学习算法相比,得到了鲁棒性最好的结果。Siamese网络计算出矿物之间的相似度,除了能对矿物进行识别,还可以在一定程度上为该矿物的替代材料提供参考。

对于基于块进行立体匹配的深度学习方法而言,网络结构的设计对匹配代价的计算至关重要,同时,卷积神经网络(CNN)在图像处理时的耗时问题也亟待解决。提出一种基于“缩小型”网络的CNN立体匹配方法。利用CNN训练左右图像块的相似性,计算出立体匹配的匹配代价。其中,CNN特征提取阶段,通过对每个层增加相应的批归一化层,可以使训练使用更大的学习率,加快网络训练收敛速度。另外,网络设计中全连接层采用“逐层缩小”的形式,结合上述网络优化和损失函数改善,在保证精度的同时提高了运行速度。使用KITTI数据集对算法进行验证,实验结果证明,相比目前国内外先进方法,本文算法在精度方面有一定优势,相比部分方法,速度有较大提升。