南京邮电大学通信与信息工程学院，江苏 南京 210003
面向数字图像识别，使用光学器件构建基于快速傅里叶变换（FFT）的光学神经网络（ONN），其中的线性光学处理单元由马赫-曾德尔干涉仪（MZI）实现。这些MZI以网格状布局连接，对通过的光信号进行调制，实现乘法和加法，从而实现对图像的分类识别。针对该ONN对手写数字图像进行识别出现的问题，研究训练算法中的主要超参数即动量系数和学习率对网络性能的影响。首先比较不同学习率下随机梯度下降（SGD）、均方根传递（RMSprop）、适应性矩估计（Adam）和自适应梯度（Adagrad）4种训练算法结合不同非线性函数和不同隐藏层个数后，ONN在识别手写数字图像上的表现。实验结果显示：在学习率从0.5变化到5×10-5、RMSprop训练算法下，具有2个隐藏层、非线性函数为Softplus的FFT型ONN具有最高的识别精确度，达97.4%。此外，着重分析在具有不同动量系数的SGD算法结合不同非线性函数和不同隐藏层个数时ONN对手写数字图像识别的准确率、运行内存和训练时间的影响。进一步，在学习率为0.05和0.005时，比较了SGD、RMSprop训练算法以及各自在引入动量后的网络识别性能。实验结果显示：动量系数为0时，采用SGD算法训练的具有2个隐藏层、非线性函数为Softplus的ONN的识别精度为96%，动量系数为0.9时，ONN的识别精度提高到96.9%；而加入动量的RMSprop算法会导致网络识别准确率不收敛或收敛较慢。
光学神经网络 马赫-曾德尔干涉仪 训练算法 动量 学习率 激光与光电子学进展
2023, 60(22): 2220001
1 中国科学院光电信息处理重点实验室，辽宁 沈阳 110016
2 中国科学院沈阳自动化研究所，辽宁 沈阳 110169
3 中国科学院机器人与智能制造创新研究院，辽宁 沈阳 110169
4 中国科学院大学，北京 100049
为提升复杂场景下目标跟踪的鲁棒性，优化模型运行效率，提出一种基于自适应特征融合的相关滤波跟踪算法。该算法采用方向梯度直方图特征和卷积神经网络来对目标进行信息构建，利用特征响应的峰值旁瓣比和旁瓣值占比自适应地确定融合系数，根据融合响应来预测目标位置。为适应场景的变化，降低光照、背景和目标形变等对跟踪的影响，引入平均峰值相关能量来设计滤波器学习率调整机制，动态地进行模型更新。通过对深度特征提取网络进行轻量化设计，降低特征网络参数，提高跟踪速度。在OTB100通用数据集上进行测试，实验结果表明：文中所提算法有效降低了干扰对目标跟踪的影响，且跟踪精度、成功率和速度整体优于对比算法。
目标跟踪 融合响应 学习率调整 轻量化 target tracking fusion response learning rate regulation lightweight 红外与激光工程
2022, 51(10): 20220013
1 中南大学高性能复杂制造国家重点实验室,长沙 410000
2 山河智能装备股份有限公司,长沙 410000
针对传统的核相关滤波跟踪算法缺乏处理目标存在遮挡情况的能力,提出了遮挡判断指标以及模型自适应更新的改进算法。首先通过最大响应值和低响应点个数两个指标综合判断是否存在遮挡,然后自适应调整模型学习率,解决了存在遮挡时不能准确跟踪的问题。在OTB2015数据集中选取存在遮挡的图像序列验证了算法的性能,相比传统的核相关滤波算法对遮挡情况下的跟踪,精确度提高了15.12%,成功率提高了14.7%。实验结果表明改进后的算法在存在遮挡时能够准确跟踪目标,具有更高的准确率和鲁棒性。
目标跟踪 相关滤波 遮挡判断 阈值 学习率 target tracking correlation filter occlusion judgment threshold learning rate
广州海格通信集团股份有限公司无人系统技术创新中心, 广东 广州 510700
为提升孪生网络视觉跟踪算法的准确性,提出一种融合多任务差异化同质型模型的孪生网络视觉跟踪算法。首先在决策层对孪生网络视觉跟踪模型与目标分割模型进行融合,然后结合多尺度搜索区域、目标上下文特征、多学习率模型更新策略进行跟踪。在标准数据集VOT、OTB、LaSOT、UAV123上进行算法评估。实验结果表明,所提算法在遮挡、快速运动、光照变化等干扰下可以稳定跟踪目标。
机器视觉 视觉跟踪 孪生网络 模型融合 上下文特征 多学习率 激光与光电子学进展
2021, 58(4): 0415004
相比传统目标跟踪算法,基于相关滤波的目标跟踪算法跟踪精度更高、实时性更好,但当目标被遮挡或超出视野时,难以提取目标特征、正确定位检测窗口,容易导致目标跟踪失败或漂移。因此,提出了一种基于置信度的并行相关滤波跟踪算法。首先,使用一种新的置信度评价方法判断目标是否被遮挡或存在异常情况。其次,在置信度的基础上,用组合权重融合两种不同的跟踪器,构建并行相关滤波跟踪算法,以提高算法的跟踪精度和鲁棒性。最后,为了防止模型污染,对两种滤波器模型采取自适应权重更新策略。在OTB-2013和OTB-2015数据集上进行实验,结果表明,相比传统算法,本算法在跟踪精度和成功率上均有显著提升。
图像处理 相关滤波 目标跟踪 置信度 自适应学习率 并行跟踪 激光与光电子学进展
2020, 57(20): 201017
昆明理工大学信息工程与自动化学院, 云南 昆明 650500
针对传统手工特征表达能力不足和滤波器模型存在误差累积的影响,提出一种融合多层卷积特征自适应更新的目标跟踪算法。该算法采用分层卷积神经网络提取图像特征,利用线性加权的方法融合多层卷积特征预测目标位置;利用多尺度下目标卷积特征确定目标最佳尺度;利用平均峰值相关能量评价目标响应的置信度,根据相邻两帧目标图像的帧差均值和位移评估目标的运动情况,根据预测位置可信度和目标图像外观变化,调整滤波器模型的学习率。在OTB-2013公开测试集上验证本算法性能,并与现有基于相关滤波的主流运动目标跟踪算法进行相比,实验结果表明,本算法在精度和成功率上表现更优,且在复杂情况下稳健性更强。
图像处理 目标跟踪 相关滤波 卷积特征 多尺度 自适应更新 学习率 激光与光电子学进展
2020, 57(2): 021008
针对传统相关滤波目标跟踪算法在目标快速运动、遮挡、复杂背景等情况下跟踪精度低的问题, 提出了一种自适应上下文感知的相关滤波目标跟踪算法。在相关滤波算法框架的基础上, 重点针对循环移位带来的边界效应与固定学习率进行改进: 首先,在分类器训练阶段提出一种基于响应图极值的自适应采样策略加入上下文信息;然后, 采用了一种分段学习率调整策略使算法更好地适应目标变化;最后,在标准数据集上验证了算法的性能。实验结果表明,提出的算法提高了DCF与SAMF算法的跟踪精度, 不仅在目标快速运动、遮挡、复杂背景等情况下鲁棒性较好, 而且还能作为一种框架集成到大部分相关滤波类算法中。
目标跟踪 相关滤波 上下文感知 分段学习率 自适应 循环移位 target tracking correlation filter context sensing segmented learning rate self-adaption cyclic shift
中国航空工业集团公司华东光电有限公司, 特种显示国家实验室, 国家特种显示工程技术研究中心, 安徽 芜湖 241002
分析了Boosting提升模型, 提出一种以去雾后图像均方误差与信息熵比值为选择标准, 对多类不同的去雾算法进行排序, 并根据设定的阈值, 从多类的去雾算法中, 选择合适的去雾算法作为“极优增强器”, 再通过对优化学习率的方法。更新“极优增强器”的权重, 采取线性组合, 构建了最优去雾算法。经实验表明, 该算法实现了去雾后图像对比度和图像的信息损失之间的平衡。提升了图像对比度, 凸显了图像细节, 最大程度的减小了图像信息的损失。
Boosting模型 图像增强 极优增强器 学习率 boosting model image enhancement superior enhancer learning rate
针对核相关滤波(KCF)跟踪算法没有遮挡检测机制以及学习率固定的问题,提出了一种结合正样本集的核相关滤波跟踪算法。通过计算正样本集与待测样本集的相似度来建立目标遮挡判断机制,提高了算法的抗遮挡能力。在模型更新方面,采用了多段学习率的参数更新方式,提高了目标模型的准确性。实验结果表明,该算法与KCF跟踪算法比较,跟踪精度有明显提升。
目标跟踪 核相关滤波 遮挡 正样本集 多段学习率 target tracking kernelized correlation filter occlusion positive sample set multi-step learning rate
1 北方工业大学 城市道路交通智能控制技术北京市重点实验室, 北京 100144
2 北方工业大学 理学院, 北京 100144
为了让相关滤波模型更加适应目标外观的变化, 提高相关滤波跟踪算法的鲁棒性和实时性, 根据相关滤波响应值、帧差均值和目标运动位移之间的关系, 提出了一种单层卷积相关滤波实时跟踪模型的自适应学习率调整跟踪方法.该方法首先选取单个卷积层卷积特征, 减少了卷积特征维度, 然后使用单层卷积特征训练相关滤波分类器预测目标位置, 用快速尺度预测方法估计跟踪目标的尺度, 并采用稀疏的模型更新策略, 提高跟踪的速度; 最后利用相关滤波预测响应图的峰旁比估计预测位置的可信度, 结合图像帧差均值和目标的运动位移量来评估目标的表观变化, 并根据目标预测的可信度和表观变化情况自适应调整相关滤波模型更新的学习率, 使模型快速学习目标的变化特征, 提高了目标跟踪的精度.在OTB100数据集上对算法进行测试, 实验结果表明, 本文算法的平均距离精度达90.1%, 优于实验中对比的9种主流算法, 平均成功率值为79.2%, 仅次于9种算法中的连续卷积跟踪算法, 平均速度为31.8帧/秒, 是连续卷积相关滤波算法的近30倍.
目标跟踪 相关滤波 卷积特征 模型更新 峰旁比 帧差均值 学习率 Object tracking Correlation filtering Convolution feature Model update Peak-to-sidelobe ratio Mean frame difference Learning rate
