-
公开(公告)号：CN117252904B
公开(公告)日：2024-02-09
申请号：CN202311516588.1
申请日：2023-11-15
Applicant: 南昌工程学院
Abstract: 本发明提出一种基于长程空间感知与通道增强的目标跟踪方法与系统，该方法在孪生双分支网络结构目标跟踪框架下，基于长程空间感知构和通道注意力分别构建特征提取网络和特征融合网络，利用特征提取网络分别提取模板特征和搜索特征，将模板特征送入特征融合网络中，利用通道映射之间的相互依赖来增强目标图像特征的语义表示，得到卷积权重，根据卷积权重信息结合模板特征和模板目标图像预测，将预测结果与搜索特征进行融合，得到得分图，将得分图中最高得分区域作为最终的跟踪结果。本发明利用通道映射之间的相互依赖来增强目标图像特征的语义表示来增强局部细节，抑制不相关区(56)对比文件yuanyun wang等.RCFT: re-parameterization convolution and featurefilter for object tracking.web ofscience.2023,全文.毛雪宇;彭艳兵.增量角度域损失和多特征融合的地标识别.中国图象图形学报.2020,(08期),全文.董吉富;刘畅;曹方伟;凌源;高翔.基于注意力机制的在线自适应孪生网络跟踪算法.激光与光电子学进展.2020,(02期),全文.
-
公开(公告)号：CN117274883A
公开(公告)日：2023-12-22
申请号：CN202311543165.9
申请日：2023-11-20
Applicant: 南昌工程学院
Abstract: 本发明提出一种基于多头注意力优化特征融合网络的目标跟踪方法与系统，该方法包括:在孪生网络框架下构建特征提取网络和特征融合网络模型并进行训练，利用特征提取网络分别对模板图像和搜索图像进行特征提取，得到模板图像特征和搜索区域特征，采用缩小模板图像特征在空间维度上尺度的方式进行多头自注意力计算，得到编码后模板特征，采用搜索区域特征降维的方式进行多头自注意力计算，得到局部特征增强的搜索区域特征，再将二者进行特征融合，将融合结果送入分类分支和回归分支上获取目标在搜索区域的最大响应位置以进行目标跟踪。本发明利用高效自注意力和高效空间约简注意力构建了特征融合网络，有效地提高了目标跟踪的准确性和鲁棒性。
-
公开(公告)号：CN117252904A
公开(公告)日：2023-12-19
申请号：CN202311516588.1
申请日：2023-11-15
Applicant: 南昌工程学院
Abstract: 本发明提出一种基于长程空间感知与通道增强的目标跟踪方法与系统，该方法在孪生双分支网络结构目标跟踪框架下，基于长程空间感知构和通道注意力分别构建特征提取网络和特征融合网络，利用特征提取网络分别提取模板特征和搜索特征，将模板特征送入特征融合网络中，利用通道映射之间的相互依赖来增强目标图像特征的语义表示，得到卷积权重，根据卷积权重信息结合模板特征和模板目标图像预测，将预测结果与搜索特征进行融合，得到得分图，将得分图中最高得分区域作为最终的跟踪结果。本发明利用通道映射之间的相互依赖来增强目标图像特征的语义表示来增强局部细节，抑制不相关区域，可获得具有判别性的背景前景特征和丰富的通道信息，提高跟踪效果。
-
公开(公告)号：CN111230858B
公开(公告)日：2022-11-22
申请号：CN201910169395.0
申请日：2019-03-06
Applicant: 南昌工程学院
IPC: B25J9/16
Abstract: 本发明公开了基于增强学习的视觉机器人运动控制方法，属于机器人控制技术领域，基于增强学习的视觉机器人运动控制方法，包括：主成像数据采集，分路子信息采集，范围空间模型建立，制定移动轨迹策略，分路信息周期传输，运动路径实时校正，根据步骤五分路子探头采集到的路径变动信息，对建立的范围空间模型进行补充，并实时更正移动轨迹信息，可以实现通过增强学习算法和外置的机器视觉探头，对机器人的视域范围进行补充，及时调整运动轨迹，降低运动轨迹偏差量，提高机器人的运动轨迹运行正确率，同时对机器人外部变化进行自检，减少因外部环境造成的腐蚀对机器人运动控制的影响。在视域共享，触摸补充视觉。
-
公开(公告)号：CN113705588A
公开(公告)日：2021-11-26
申请号：CN202111261942.1
申请日：2021-10-28
Applicant: 南昌工程学院
Abstract: 本发明提出一种基于卷积自注意力模块的孪生网络目标跟踪方法与系统，该方法包括：构建特征融合网络模型；通过卷积神经网络模型对模板分支上的目标图像特征以及搜索区域目标图像特征中的局部区域进行学习，以得到对应的局部语义信息，对局部语义信息进行聚合得到全局上下文相关信息；对特征融合网络模型进行预训练；利用预训练后的特征融合网络模型，在模板分支中提取目标图像特征以及搜索区域目标图像特征，并引入到带有锚点的区域建议网络的分类分支与回归分支中；并分别进行深度互相关卷积计算以得到相似度得分；对最大相似度得分的目标候选块进行目标跟踪。本发明可提高目标图像和搜索区域目标图像的全局匹配的准确性，实现更准确的跟踪。
-
Patent Agency Ranking
公开(公告)号：CN113256685B
公开(公告)日：2021-09-24
申请号：CN202110707429.4
申请日：2021-06-25
Applicant: 南昌工程学院
Abstract: 本发明提出一种基于卷积神经网络字典对学习的目标跟踪方法及系统，该方法包括：在第一帧目标图像进行采样处理以生成正候选样本，根据正候选样本训练得到边界框回归模型；在后续帧目标框内的目标图像的邻域内重新进行采样以生成正负候选样本，对卷积神经网络模型的全连接参数进行微调；基于空间距离机制以及卷积神经网络模型获得训练样本的深度特征，基于训练样本的深度特征进行字典对模型学习以获得初始字典对；基于训练样本的特征并进行联合字典对模型学习；通过联合字典对中的原子的线性组合表示候选目标图像样本，以实现目标图像定位跟踪。本发明提出的目标跟踪方法，具有很好的鲁棒性与精确度，可以更好地处理目标外观变化，实现目标跟踪。
-
公开(公告)号：CN119741578B
公开(公告)日：2025-05-09
申请号：CN202510240847.5
申请日：2025-03-03
Applicant: 南昌工程学院
IPC: G06V10/80 , G06V10/82 , G06T5/94 , G06T3/4038 , G06N3/0985 , G06N3/0455
Abstract: 本发明提出一种基于紧凑轴向注意力和细节增强的目标跟踪方法与系统，该方法包括：将模板图像和搜索区域图像输入至特征提取网络中进行统一特征学习，得到输出特征图；利用大规模数据集对优化的特征提取网络依次进行预训练和参数调整；将模板图像和搜索区域图像输入至参数调整后的特征提取网络中进行特征提取；将细节融合特征依次进行展平操作和拼接操作，并输入至特征融合模块中进行特征融合；将包含信息的融合特征输入至预测头，获取目标跟踪框，利用目标跟踪模型对目标跟踪框进行跟踪，得到跟踪结果；本发明通过细节增强模块使跟踪器能够在保持全局语义理解的同时，恢复和利用局部细节信息，从而在目标跟踪的准确性上得到显著提升。
-
公开(公告)号：CN119478616B
公开(公告)日：2025-04-29
申请号：CN202510059022.3
申请日：2025-01-15
Applicant: 南昌工程学院
Abstract: 本发明提出一种基于双路径注意力和通道特征优化的目标跟踪方法与系统，该方法包括通过高效自注意力分支过滤掉查询键匹配分数低的交互，减少不相关信息的影响；通过全面自注意力分支考虑所有查询键对以获得注意力分数，以确保网络中必要的信息流动；利用通道聚合能力，减少特征表示中的冗余信息；两种注意力通过可以自适应调节的权重将特征融合到一起，将融合后的特征送入通道特征优化模块，进一步增强特征表示，减少计算冗余；本发明通过充分结合高效自注意力和全面自注意力的优点构建基于Transformer的特征融合网络，通过自适应调节分支的输出实现特征聚合，更好聚焦于重要的特征并忽略不相关的信息，减轻计算负担。
-
公开(公告)号：CN119478616A
公开(公告)日：2025-02-18
申请号：CN202510059022.3
申请日：2025-01-15
Applicant: 南昌工程学院
Abstract: 本发明提出一种基于双路径注意力和通道特征优化的目标跟踪方法与系统，该方法包括通过高效自注意力分支过滤掉查询键匹配分数低的交互，减少不相关信息的影响；通过全面自注意力分支考虑所有查询键对以获得注意力分数，以确保网络中必要的信息流动；利用通道聚合能力，减少特征表示中的冗余信息；两种注意力通过可以自适应调节的权重将特征融合到一起，将融合后的特征送入通道特征优化模块，进一步增强特征表示，减少计算冗余；本发明通过充分结合高效自注意力和全面自注意力的优点构建基于Transformer的特征融合网络，通过自适应调节分支的输出实现特征聚合，更好聚焦于重要的特征并忽略不相关的信息，减轻计算负担。
-
公开(公告)号：CN119273941A
公开(公告)日：2025-01-07
申请号：CN202411815288.8
申请日：2024-12-11
Applicant: 南昌工程学院
IPC: G06V10/62 , G06V10/44 , G06V10/42 , G06V10/52 , G06V10/80 , G06V10/75 , G06V10/74 , G06V10/764 , G06V10/766 , G06V10/82 , G06V20/40 , G06N3/0464 , G06N3/0455 , G06N3/048
Abstract: 本发明提出基于分组注意力特征提取网络的目标跟踪方法与系统，该方法包括：基于模板和搜索图像，利用分组注意力特征提取网络得到模板和搜索特征；对模板目标图像特征与搜索图像特征的局部区域进行学习，聚合得到目标信息；将模板与搜索特征进行拼接，得到异步交互阶段自注意力编码器的输入；融合后的特征结合预测头进行计算，获取分类回归结果，根据分类归回结果对目标预测；结合大规模数据集对目标跟踪模型进行训练，得到训练后的目标跟踪模型，利用训练后的目标跟踪模型对目标进行精确的目标跟踪；本发明构建的基于Transformer的多尺度特征提取网络，促进窗口内部和窗口间的顺序局部和全局信息交互，实现性能与速度之间的最佳平衡。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.027 seconds)
