文献类型：期刊文章

作　　者：吴贵山[1,2] 林淑彬[1,2] 钟江华[3] 杨文元[1,2]

WU Guishan;LIN Shubin;ZHONG Jianghua;YANG Wenyuan(School of Computer Science,Minnan Normal University,Zhangzhou 363000,China;Fujian Key Laboratory of Granular Computing and Application,Minnan Normal University,Zhangzhou 363000,China;Information and Network Center,Minnan Normal University,Zhangzhou 363000,China)

机构地区：[1]闽南师范大学计算机学院,福建漳州363000 [2]闽南师范大学福建省粒计算及其应用重点实验室,福建漳州363000 [3]闽南师范大学信息与网络中心,福建漳州363000

出　　处：《智能系统学报》

基　　金：国家自然科学青年基金项目(61703196);福建省自然科学基金项目(2018J01549)。

年　　份：2020

卷　　号：15

期　　号：4

起止页码：722-731

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对预训练卷积神经网络提取的深度特征空间分辨率低,快速运动造成运动目标空间细节信息丢失等问题,提出用区域损失函数构建孪生网络的目标跟踪,进一步降低深度特征通道之间的冗余性,并减少高层信息丢失。利用线下预训练的VGG-16卷积神经网络提取深度特征,构成初始深度特征空间。通过区域损失函数构建特征和尺度选择网络,根据反向传播的梯度大小进行特征选择。对筛选后的特征进行拼接,融入到孪生网络中匹配跟踪。在OTB-2013、OTB-2015、VOT2016、TempleColor数据集上与其他算法对比。实验结果表明,该算法在快速运动、低分辨率等场景中表现出较好的跟踪精度和鲁棒性。

关 键 词：计算机视觉 目标跟踪 区域损失  深度特征  孪生网络  卷积神经网络 反向传播  VGG网络  

分 类 号：TP391.4]