-
公开(公告)号：CN119672072A
公开(公告)日：2025-03-21
申请号：CN202510193877.5
申请日：2025-02-21
Applicant: 南昌工程学院
Abstract: 本发明提出一种基于多尺度特征和共线注意力模块的目标跟踪方法与系统，该方法包括：构建特征融合网络模型；以模板图像以及搜索区域图像作为单残差多尺度块的输入特征，得到单残差多尺度特征块的输出特征；模板分支中，模板分支单残差多尺度特征块的输出特征进行处理，得到最终的自注意力；结合最终的自注意力对特征融合网络模型进行预训练；将模板图像以及搜索区域图像作为预训练后的特征融合网络模型的输入特征，得到新的单残差多尺度特征块的输出特征，并进一步得到最大相似度得分；根据最大相似度得分得到预测结果。本发明充分结合单残差多尺度特征和共线约束注意力的优势，以获得更好的特征融合和减少冗余计算，优化性能和速度之间的平衡。
-
公开(公告)号：CN119648749A
公开(公告)日：2025-03-18
申请号：CN202510171644.5
申请日：2025-02-17
Applicant: 南昌工程学院
IPC: G06T7/246 , G06V10/80 , G06N3/045 , G06V10/774 , G06V10/82
Abstract: 本发明提出一种基于空间通道求和注意力的目标跟踪方法与系统，该方法通过采用基于空间通道求和注意力模块的双分支特征提取网络进行图像特征提取，在提取过程中经过空间注意力机制以及通道注意力机制的处理，实现空间域和通道域的信息交互，获得大量结构化空间信息和通道信息，得到最终的模板特征和中间搜索特征，再将最终的模板特征和中间搜索特征进行融合，并送入头部预测网络，可以得到跟踪目标在搜索区域的最大响应位置，从而进行目标跟踪。本发明充分利用空间通道求和注意力的优势，使得跟踪器可以很好地应对跟踪过程中出现的目标遮挡、快速移动、背景复杂等困难，可以实现更准确的跟踪。
-
公开(公告)号：CN118898638A
公开(公告)日：2024-11-05
申请号：CN202411399217.4
申请日：2024-10-09
Applicant: 南昌工程学院
IPC: G06T7/246 , G06T3/4038
Abstract: 本发明提出一种基于尺度感知卷积特征提取网络的目标跟踪方法与系统，该方法包括：将模板图像和搜索图像输入预测模型，通过尺度感知卷积模块中的多头混合卷积模块处理，得到多头混合卷积模块的输出特征图；随后利用尺度感知卷积模块中的感知聚合模块的分组和聚合功能，得到尺度感知卷积模块的的输出特征图；将模板特征图和搜索特征图进行拼接，得到拼接后的特征图；通过扩展注意力模块引入扩展因子并进行注意力计算得到扩展注意力的输出特征；将扩展注意力的输出特征输入到中心预测头模块进行预测，并进行目标跟踪。本发明可以使跟踪器实现局部信息和全局信息之间一个更好的平衡，从而在面对背景干扰、快速移动时实现鲁棒性更强的跟踪。
-
公开(公告)号：CN118429389B
公开(公告)日：2024-09-06
申请号：CN202410877555.8
申请日：2024-07-02
Applicant: 南昌工程学院
Abstract: 本发明提出基于多尺度聚合注意力特征提取网络的目标跟踪方法与系统，该方法包括：在Transformer的网络结构下，构建多尺度特征提取网络；使用多种数据集对构建的多尺度特征提取网络进行训练；基于训练后的多尺度特征提取网络模型对模板图像和搜索图像进行特征提取，再经过交叉注意力计算并输出，获取最终特征图；将最终特征图输入到由三个卷积分支组成的预测头内，根据三个分支的预测结果，以确定最终的边界框。本发明通过将多尺度聚合注意力放在特征提取网络浅层中，可提高模型对局部特征的关注度，实现局部信息和全局信息之间一个更好的平衡，从而在面对背景干扰与快速移动等影响时实现鲁棒性更强的跟踪。
-
公开(公告)号：CN117333515B
公开(公告)日：2024-02-09
申请号：CN202311636914.2
申请日：2023-12-01
Applicant: 南昌工程学院
IPC: G06T7/246 , G06T7/223 , G06V10/82 , G06V20/40 , G06V10/764 , G06V10/774 , G06N3/0464 , G06N3/0455 , G06N3/082
Abstract: 本发明提出一种基于区域感知注意力的目标跟踪方法与系统，该方法包括：在孪生双分支结构下，基于区域感知编码器模块构建区域感知注意力特征提取器；基于模型初始化模块以及模型优化模块构建模型预测器，基于卷积模块构建目标分类器；区域感知注意力特征提取器、模型预测器以及目标分类器共同构成目标跟踪框架；区域感知注意力特征提取器分别从训练集以及测试帧中提取模板特征以及搜索特征，模型预测器利用模板特征以及目标边界框信息生成目标模型，目标分类器利用目标模型在搜索特征中定位目标位置。本发明采用动态性的区域感知稀疏注意力机制，可以实现区域自适应，实时动态选(56)对比文件Yutao Cui,et al..MixFormer: End-to-End Tracking with Iterative MixedAttention《.IEEE》.2022,全文.Shuo Wang,et al..Classification ofHyperspectral and LiDAR Data Using Multi-Modal Transformer Cascaded Fusion Net.《remote sensing》.2023,全文.
-
Patent Agency Ranking
公开(公告)号：CN116703980A
公开(公告)日：2023-09-05
申请号：CN202310974990.8
申请日：2023-08-04
Applicant: 南昌工程学院
IPC: G06T7/246 , G06N3/0455 , G06N3/08
Abstract: 本发明提出一种基于金字塔池化Transformer主干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，构建基于金字塔池化Transformer特征提取主干网络，基于标准Transformer的编码器和解码器模型，构建得到目标模型预测器；模型预测器和该特征提取主干网络构成目标跟踪模型，通过特征提取主干网络对训练模板以及测试模板进行特征提取；通过模型预测器，利用提取出的训练模板特征以及测试模板特征进行目标模型预测；通过目标模型对跟踪对象进行分类和边界框回归从而实现目标跟踪。本发明可有效减低多头自注意力机制的计算复杂度，最终实现更加高效且准确的目标跟踪。
-
公开(公告)号：CN116030097A
公开(公告)日：2023-04-28
申请号：CN202310172562.3
申请日：2023-02-28
Applicant: 南昌工程学院
IPC: G06T7/246 , G06N3/0455 , G06N3/08 , G06V10/80
Abstract: 本发明提出一种基于双重注意力特征融合网络的目标跟踪方法与系统，所述方法包括：构建基于Transformer的多尺度特征融合网络；通过编码器对模板特征图中的特征进行学习，以得到高置信值目标建议框；将目标建议框输入到解码器中，对搜索区域特征进行学习融合以获取置信值最高的目标建议框；将注意力快速聚焦到感兴趣区域并捕获结构化空间信息和局部信息，利用编码器中的结构化空间信息进而探索全局上下文信息；利用将模板特征和搜索区域特征融合后的特征，送入到预测头以得到跟踪目标在搜索区域的最大响应位置进行跟踪。本发明使得跟踪器可以很好应对跟踪过程中出现的严重遮挡、尺度变化、背景复杂等困难，实现更准确和鲁棒的跟踪。
-
公开(公告)号：CN112532932B
公开(公告)日：2023-02-24
申请号：CN202011316439.7
申请日：2020-11-20
Applicant: 南昌工程学院
IPC: H04N7/18 , H04N23/611 , H04N23/695 , H04N23/67 , F16M11/06 , F16M11/18
Abstract: 本发明公开了一种具有目标跟踪功能的监控装置，包括：安装座，其上滑动设置有滑架，滑架上设置有角度调节机构；人脸识别模块，设置在安装座上，人脸识别模块上设置有用于面像目标文件输入的输入端，面像目标文件输入后保存在人脸识别模块上的CPU内，还包括用于对图片进行图像处理的图像处理模块以及用于控制角度调节机构动作的模糊控制器，CPU、图像处理模块以及模糊控制器依次连接；伺服控制器，设置在安装座上，伺服控制器分别与角度调节机构和模糊控制器连接；还有摄像头，设置在安装座上，用于全方位的对目标对象进行视频采集，摄像头的输出端与图像处理模块连接，摄像还与所述伺服控制器连接；本发明提供了一种具有目标追踪功能的监控装置。
-
公开(公告)号：CN115272419B
公开(公告)日：2022-12-09
申请号：CN202211177692.8
申请日：2022-09-27
Applicant: 南昌工程学院
Abstract: 本发明提出一种基于混合卷积与自注意力的聚合网络目标跟踪方法与系统，通过卷积操作得到对应的模板特征和搜索特征，分别作为聚合模块的输入特征，输入特征经过卷积操作后得到中间特征；聚合模块共享一个卷积操作，聚合模块中的混合卷积采用深度卷积和逐点卷积来分离中间特征的空间和信道的混合，在增大感受野的同时减少空间和信道特征冗余；聚合模块中的自注意力模块对中间特征进行学习，并自适应地聚焦不同区域以捕获更多的全局相关性；最后将混合卷积与自注意力模块的输出特征相加，经过随机失活层得到最终的输出特征，输出特征聚合了局部和全局上下文信息。本发明可缓解网络在训练过程的过拟合，提高跟踪器的泛化能力。
-
公开(公告)号：CN113705588B
公开(公告)日：2022-01-25
申请号：CN202111261942.1
申请日：2021-10-28
Applicant: 南昌工程学院
IPC: G06V10/44 , G06V10/74 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
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。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.029 seconds)
