-
公开(公告)号：CN118823331A
公开(公告)日：2024-10-22
申请号：CN202411295596.2
申请日：2024-09-18
Applicant: 南昌工程学院
IPC: G06V10/25 , G06V10/82 , G06N3/0464 , G06N3/08 , G06T7/20
Abstract: 本发明提出基于通道分离注意力模块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模型，得到前半部分输入数据与后半部分输入数据；通过前半部分输入数据和后半部分输入数据得到结果特征图的模板图像和结果特征图的搜索图像，并通过采用迭代的方式得到最后的结果特征图；将最后的结果特征图输入在线评估模块，得到置信度得分；对模型进行训练并利用训练后的模型对目标进行在线跟踪。本发明通过使用通道分离注意力模块，融合动态卷积与注意力，使跟踪器具有动态性的局部和全局的特征提取能力，以增强跟踪器的特征提取与融合能力，让跟踪器能更好的在复杂场景中应对对象外观的变化，进而提高目标跟踪的性能。
-
公开(公告)号：CN117710688B
公开(公告)日：2024-06-25
申请号：CN202311697673.2
申请日：2023-12-12
Applicant: 南昌工程学院
IPC: G06V10/44 , G06V10/80 , G06V10/82 , G06V10/42 , G06N3/0464
Abstract: 本发明公开一种基于卷积和注意力相结合特征提取的目标跟踪方法及系统，涉及计算机视觉与图像处理领域，包括：对给定的第一帧图像以及每一后续帧图像的搜索区域分别进行初始化，得到目标模板图像和搜索图像；构建特征提取网络；特征提取子网络包括卷积模块、依次连接的多个分层特征模块和完全连接层；每一分层特征模块包括采用自注意力操作提取全局信息的全局分支和采用注意力和卷积相结合的操作提取局部信息的局部分支；将目标模板图像和每一搜索图像分别应用特征提取网络进行特征提取，对提取的特征进行卷积操作，获得每一后续帧图像中搜索区域的目标响应位置。本发明通过卷积和注意力相结合的轻量级特征提取网络提升目标跟踪效率和准确性。
-
公开(公告)号：CN116703980B
公开(公告)日：2023-10-24
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：CN115880337A
公开(公告)日：2023-03-31
申请号：CN202310121706.2
申请日：2023-02-16
Applicant: 南昌工程学院
IPC: G06T7/246
Abstract: 本发明提出一种基于重参数卷积和特征过滤器的目标跟踪方法与系统，该方法包括：构建得到特征提取子网络；将多个卷积分支压缩成一个单一的卷积块以构建得到无批次归一化重参数卷积模块；构建得到特征融合网络，通过特征融合网络中的特征过滤器对目标模板深度特征以及搜索区域深度特征进行融合，以获得中间融合特征；将目标模板深度特征进行优化以获得最终的模板特征并进行融合得到分数预测图；对分数预测图中得分最高的目标候选块进行目标跟踪。本发明通过提出的特征提取子网和特征融合网络，获得丰富的通道和空间信息，从而对重要信息的特征进行增强以获得中间融合特征，提高相似度计算的准确性，实现更准确的跟踪效果。
-
公开(公告)号：CN115661207B
公开(公告)日：2023-03-31
申请号：CN202211419895.3
申请日：2022-11-14
Applicant: 南昌工程学院
Abstract: 本发明提出一种基于空间一致性匹配与权重学习的目标跟踪方法与系统，该方法包括：对模板分支与搜索区域分支的图像初始化以生成目标模板图像和搜索区域图像；对目标模板图像与搜索区域图像分别提取特征，对目标模板特征进行上采样获得目标模板深度特征；构建特征融合网络模型；采用克罗内克积对目标模板深度特征和搜索区域特征进行计算得到匹配置信度图；对空间一致性匹配模块与模板特征权重学习模块进行训练，以获得最终置信度图并将得分最高的目标候选块进行目标跟踪。本发明通过建立目标模板图像和搜索区域图像的空间一致性对应关系，充分利用目标模板图像和搜索区域目标候选块图像的空间位置信息，实现更准确跟踪。
-
Patent Agency Ranking
公开(公告)号：CN115375737B
公开(公告)日：2023-02-03
申请号：CN202211308115.8
申请日：2022-10-25
Applicant: 南昌工程学院
Abstract: 本发明提出一种基于自适应时间与序列化时空特征的目标跟踪方法与系统，首先在双分支跟踪网络框架下，基于深度卷积神经网络和自适应时间模块，构建得到特征提取网络；在提取目标特征的基础上，目标模板分支特征通过序列化时空特征模块得到增强的目标模板特征信息；将该特征信息输入到模型预测器，通过模型预测器得到适应性卷积核；搜索区域分支特征经过特征提取网络与卷积核进行卷积，得到融合之后的得分图，即进一步实现目标跟踪。在本发明中，通过重构基于自适应时间特征表示与序列化时空特征模块进行特征融合，从而提高了给定的目标图像和搜索区域图像的特征融合的性能，最终实现更加精确的目标跟踪。
-
公开(公告)号：CN115375737A
公开(公告)日：2022-11-22
申请号：CN202211308115.8
申请日：2022-10-25
Applicant: 南昌工程学院
Abstract: 本发明提出一种基于自适应时间与序列化时空特征的目标跟踪方法与系统，首先在双分支跟踪网络框架下，基于深度卷积神经网络和自适应时间模块，构建得到特征提取网络；在提取目标特征的基础上，目标模板分支特征通过序列化时空特征模块得到增强的目标模板特征信息；将该特征信息输入到模型预测器，通过模型预测器得到适应性卷积核；搜索区域分支特征经过特征提取网络与卷积核进行卷积，得到融合之后的得分图，即进一步实现目标跟踪。在本发明中，通过重构基于自适应时间特征表示与序列化时空特征模块进行特征融合，从而提高了给定的目标图像和搜索区域图像的特征融合的性能，最终实现更加精确的目标跟踪。
-
公开(公告)号：CN113256685A
公开(公告)日：2021-08-13
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：CN112532932A
公开(公告)日：2021-03-19
申请号：CN202011316439.7
申请日：2020-11-20
Applicant: 南昌工程学院
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：CN119478563B
公开(公告)日：2025-04-01
申请号：CN202510056801.8
申请日：2025-01-14
Applicant: 南昌工程学院
IPC: G06V10/764 , G06V10/766 , G06V10/82 , G06N3/0464
Abstract: 本发明提出基于多频率聚合块特征融合网络的目标跟踪方法，该方法包括：对输入图像的浅层特征进行提取，得到浅层特征图；通过低频全局分支得到低频全局信息；通过高频局部分支得到高频局部信息；基于低频全局信息与低频全局信息进行得到多频率聚合注意力特征图；基于多频率聚合注意力特征图得到多频率聚合块处理的特征图；基于多频率聚合块处理的特征图得到经过融合注意力处理的特征图；对模型进行训练，得到训练后的模型；基于训练后的模型得到分类结果并对目标进行跟踪。本发明通过多频率聚合块高效提取不同频率的信息，特征融合网络浅层中的多频率聚合块提高了模型对低频全局特征和高频局部特征的关注度，实现了高、低频信息的平衡。
-
-
-
-
-
-
-
-
-
Search Results
66
records
(took 0.023 seconds)
