科研之友
微信
新浪微博
Facebook
分享链接
摘要
目标跟踪作为计算机视觉领域的一个重要分支，在智能视频监控、人机交互和自动驾驶等诸多领域具有很高的研究价值。尽管目标跟踪近年来已取得较好的发展，但在复杂跟踪环境下，遮挡、目标形变、光照变化等因素仍会导致跟踪精度下降，跟踪性能不稳定。因此，提出了一种融合注意力特征的无锚框视觉目标跟踪方法(Anchor-Free object Tracking Method, AFTM)。首先，在分类和回归过程中构建自适应生成的注意力权重因子组，实现了一种高效的自适应响应图融合策略，提高了目标定位和边界框尺度计算的准确性；其次，针对数据集中样本类别不均衡的现象，使用可动态缩放的交叉熵损失作为目标定位网络的损失函数，修正模型的优化方向，使跟踪性能更加稳定可靠；最后，设计相应的学习率调整策略，对一定数量的模型进行随机权重平均，增强模型的泛化能力。公开数据集上的实验结果表明，在复杂跟踪环境下，AFTM具有更高的精度和更稳定的跟踪效果。
- 单位
