![](https://img-blog.csdnimg.cn/20d27135335b4abcacde3f7e9e2f4225.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
智慧交通CV项目--特定目标车辆追踪(深度学习)
文章平均质量分 66
智慧交通CV项目--特定目标车辆追踪(深度学习)
布尔大学士
工学博士在读,主要从事智能制造、工业精密检测、智能化设备研发等方向研究,已发表二区Top文章一篇、国家级竞赛二等奖一项、已授权软件著作权两项、已发表中文期刊两篇,先后参与国家自然科学基金面上项目、省重点研发计划等课题。
展开
-
有点看不懂了,回填知识中~~~~~
占坑原创 2021-11-22 15:51:07 · 540 阅读 · 0 评论 -
智慧交通day04-特定目标车辆追踪01:总览概述
项目介绍:运动目标跟踪一直以来都是一项具有挑战性的工作, 也是研究的热点方向. 现阶段, 随着硬件设施 的不断完善和人工智能技术的快速发展, 运动目标跟踪技术越来越重要. 目标跟踪在现实生活中有很 多应用, 包括交通视频监控、运动员比赛分析、智能人机交互 、跟踪系统的设计等. 由于在目标跟踪中存在形态变化、图像分辨率低、背景复杂等情 况, 因此研究出一个性能优良的跟踪器势在必行。早期的目标跟踪算法主要是根据目标建模或者对目标特征进行跟踪, 主要的方法有:1) 基于目标模型建模的方法:通过对目原创 2021-11-22 14:38:44 · 2900 阅读 · 0 评论 -
智慧交通day04-特定目标车辆追踪02:Siamese网络+单样本学习
1.Siamese网络Siamese network就是“连体的神经网络”,神经网络的“连体”是通过共享权值来实现的,如下图所示。共享权值意味着两边的网络权重矩阵一模一样,甚至可以是同一个网络。如果左右两边不共享权值,而是两个不同的神经网络,叫伪孪生网络(pseudo-siamese network,伪孪生神经网络),对于pseudo-siamese network,两边可以是不同的神经网络(如一个是lstm,一个是cnn),也可以是相同类型的神经网络。1.1 原理..原创 2021-11-22 14:47:07 · 3967 阅读 · 0 评论 -
智慧交通day04-特定目标车辆追踪03:siamese在目标跟踪中的应用-SiamFC(2016)
目标追踪任务是指在一个视频中给出第一帧图像的bbox的位置,在后续的帧中追踪该物体的任务。 目标追踪不同于目标检测的是:1、需要给出首帧的标定框。2、只需要给出标定框,后续的搜索范围往往在上一帧图像的附近。孪生网络是使用深度学习进行目标追踪的重要解决方案,主要包括:孪生网络解决目标追踪开山之作SiamFC、SiamRPN、DaSiamRPN、SiamRPN++,SiamMask,下面对其进行简要介绍:3.1 SiamFC(2016)3.1.1 网络结构SiamFC采用了全卷积式的Si原创 2021-11-22 14:53:19 · 4030 阅读 · 0 评论 -
智慧交通day04-特定目标车辆追踪03:siamese在目标跟踪中的应用-SiamRPN(2017)
3.2 SiamRPN(2017)3.2.1 网络结构Siam-RPN提出了一种基于RPN的孪生网络结构,由孪生子网络和RPN网络组成,前者用来提取特征,后者用来产生候选区域。其中,RPN子网络由两个分支组成,一个是用来区分目标和背景的分类分支,另外一个是微调候选区域的回归分支,使整个网络实现了端到端的训练。SiamRPN中的Siamese network模块与siamFC相同,使用预训练的AlexNet网络,可将其作为一种变换????,将这种变换分别应用到模板支和检测支上,产生模板和搜原创 2021-11-22 15:00:19 · 2637 阅读 · 0 评论 -
智慧交通day04-特定目标车辆追踪03:siamese在目标跟踪中的应用-DaSiamRPN(2018)
DaSiamRPN网络的全称为Distractor-aware SiamRPN,是基于SiamRPN网络结构,提出更好的使用数据,针对跟踪过程的干扰物,利用更好的训练方式是跟踪更加的鲁棒。DaSiamRPN认识到了现有的目标追踪数据集中存在的不平衡问题,即之前的目标追踪数据集会导致目标追踪算法的判别能力较差,造成这种现象的原因是,在目标周围的背景信息中,非语义背景(即真正的“背景”信息)占据了主要部分,语义背景(背景中的人、狗等实体)占据了极少一部分。这种不平衡的分布使得模型趋向于去学习到一个区分前景(原创 2021-11-22 15:02:55 · 3857 阅读 · 0 评论 -
智慧交通day04-特定目标车辆追踪03:siamese在目标跟踪中的应用-SiamRPN++(2019)
3.4.1 模型结构SiamRPN++网络结构如下图所示,虚线的两边都是网络结构图,虚线左侧是特征提取网络结构,右侧是RPN结构图。其实SiamRPN++的网络结构与SiamRPN网络结构十分相似,而SiamRPN++就是在SiamRPN的基础上加入许多的创新点。SiamRPN++网络以resNet50为backbone,进行特征提取。原始的ResNet主要应用于图像分类和识别任务,对于空间信息不敏感,而在跟踪任务中,空间信息对于目标的准确定位至关重要,所以要在跟踪任务中使用,需要对ResN原创 2021-11-22 15:06:17 · 2267 阅读 · 0 评论 -
智慧交通day04-特定目标车辆追踪03:siamese在目标跟踪中的应用-SiamMask(2019)
与普通的视频跟踪网络不同的是,SiamMask可以同时完成视频跟踪和实例级分割的任务。如下图所示,与传统的对象跟踪器一样,依赖于一个简单的边界框初始化(蓝色)并在线操作。与ECO(红色)等最先进的跟踪器不同,SiamMask(绿色)能够生成二进制分割,从而更准确地描述目标对象。3.5.1 网络结构SiamMask的网络结构,提出了三分支的SiamMask网络。与之前的孪生网络十分相似的是,将模板图像与搜索图像输入网络,两者经过特征提取网络,特征提取网络如下表所示,生成15×15×256.原创 2021-11-22 15:10:21 · 12675 阅读 · 1 评论 -
智慧交通day04-特定目标车辆追踪03:siamese在目标跟踪中的应用-汇总
总结:Siamese网络衡量两个输入的相似程度,输出是一个[0,1]的浮点数,表示二者的相似程度。孪生神经网络有两个输入(Input1 and Input2),将两个输入feed进入两个神经网络(Network1 and Network2),这两个神经网络分别将输入映射到新的空间,形成输入在新的空间中的表示。通过Loss的计算,评价两个输入的相似度。 单样本学习(one-shotting)能够减小训练数据,使用较少的样本即可训练网络,当出现新的类型时无需重新训练网络 Siamese网络在目标跟踪中的原创 2021-11-22 15:11:17 · 7238 阅读 · 0 评论