申请/专利权人：沈阳理工大学

申请日：2024-03-29

公开（公告）日：2024-06-18

公开（公告）号：CN118212463A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/766;G06V10/774;G06V20/40;G06V10/44;G06N3/0464;G06V10/80;G06N3/045;G06N3/084;G06V10/74;G06V10/77;G06V10/82

优先权：

专利状态码：在审-公开

法律状态：2024.06.18#公开

摘要：基于分数阶混合网络的目标跟踪方法，涉及模式识别技术领域，针对特征提取网络在目标局部尺度上的信息利用率低导致的跟踪漂移与跳变问题，引入分数阶理论、注意力增强、梯度加权，提出同时关注局部范围特征和聚合全局上下文的分数阶多通道特征提取网络。利用金字塔降维和分数阶自注意力构成融合模块，学习模板特征的强上下文信息，进行交叉注意力运算，得到包含多尺度的融合特征，兼顾纹理与全局依赖的关联，改善算法多尺度表征力。引入梯度加权的更新策略，多维度抑制干扰区域特征表示，提高了目标跟踪模型的判别力，使本发明提出的方法在尺度形态剧烈变化、动态模糊以及相似干扰属性下仍具有优秀的跟踪稳定性和鲁棒性。

主权项：1.一种基于分数阶混合网络的目标跟踪方法，其特征在于，包括以下步骤：步骤1：数据准备阶段；首先将从公开图像识别数据集COCO中获取的训练序列中所有训练序列的视频帧经过裁剪和调整形状Reshape操作，统一双流混合网络的输入尺寸；假设搜索分支的输入图为xS，模板分支输入xT，经裁剪操作得到合理裁剪后的目标尺寸的搜索分支与模板分支图像XS和XT，此时，所关注的跟踪对象处于XS和XT的中心；步骤2：特征学习与聚合阶段；在特征学习阶段，采用保留前四个阶段的卷积神经网络ResNet50；在第一阶段中采用1×1卷积将特征映射到更深的空间，以实现参数共享，达到增加网络的非线性表达能力，同时减少参数量，从而降低过拟合风险的目的；第二阶段引入分数阶通道注意力，精细化捕捉不同通道的特征，使网络对复杂分布场景中的建模具有更强的灵活性；得到通道注意力权重后，混合卷积路径，使用能够提取空间信息的深度分离卷积和1×1卷积生成多组特征图；最后在通道注意力机制产生的注意力权重和卷积路径生成的特征图之间，使用注意力权重对各个通道进行加权融合，从而实现了通道注意力和卷积的结合；最后，为了控制两个路径信息的集成，添加了两个学习参数控制器非线性地集成卷积和注意力路径的信息；步骤3：分数阶注意力特征融合编码阶段；在特征学习与聚合阶段模块得到孪生分支的特征图后，将其送入分数阶双向注意力融合网络并得到双向融合的增强特征图；具体来讲，设计了一个基于分数阶注意力的融合网络以达到融合模板图和待搜索区域提取的特征，该网络包含三个模块——分数阶自注意力模块、多头交叉注意力模块和双向融合模块，分别实现保留和还原纹理细节特征和关注特征注意分布的功能；孪生结构中的成对分数阶自注意力模块和多头交叉注意力模块构成整体的融合模块，进行迭代，最后再添加一个双向融合分支输出的特征图，得到更具判别力的融合后的特征；步骤4：多任务联合训练阶段；将目标分类和信息回归任务合并到一个多任务网络中；具体来说，本阶段使用一个由两个输出层组成的网络，两层输出层用于前后景分类，和归一化坐标的回归预测；多任务跟踪预测网络由共享的特征学习与聚合部分、分数阶注意力特征融合部分和两个输出分支构成，每个输出分支都具有隐藏层和ReLU激活函数的三层MLP感知机；在训练过程中，使用包含归一化坐标和前后景标签的训练数据集，通过联合训练来同时达到分类和回归任务；将交叉熵损失函数和回归损失函数相加，作为多任务网络的总体损失函数。

全文数据：

权利要求：

百度查询： 沈阳理工大学 基于分数阶混合网络的目标跟踪方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD