空间注意力机制sam_基于自注意力机制的多域卷积神经网络的视觉追踪

最新推荐文章于 2024-09-12 07:37:29 发布

weixin_39617470

最新推荐文章于 2024-09-12 07:37:29 发布

阅读量583

点赞数

文章标签：空间注意力机制sam

本文链接：https://blog.csdn.net/weixin_39617470/article/details/111740376

版权

本文介绍了结合空间注意力机制（SAM）与自注意力机制的多域卷积神经网络在视觉追踪中的应用。通过引用多篇相关文献，包括对高斯核相关滤波、通道稳定性加权互补学习、稀疏卷积特征和相关滤波等经典视觉追踪方法的探讨，以及对自注意力机制、多域CNN、非局部神经网络等现代技术的讨论，展示了如何利用这些技术提高追踪的精度和效率。此外，还提及了生成对抗网络（GAN）在视觉追踪中的潜在应用，以及Siamese网络等全卷积结构的进展。

摘要由CSDN通过智能技术生成

[1] HENRIQUES J F, CASEIRO R, MARTINS P, et al. High-speed tracking with kernelized correlation filters[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(3):583-596.

[2] 樊佳庆,宋慧慧,张开华. 通道稳定性加权补充学习的实时视觉跟踪算法[J]. 计算机应用, 2018, 38(6):1751-1754. (FAN J Q, SONG H H, ZHANG K H. Real-time visual tracking via channel stability weighted complementary learning[J]. Journal of Computer Applications, 2018, 38(6):1751-1754.)

[3] 熊昌镇,车满强,王润玲. 基于稀疏卷积特征和相关滤波的实时视觉跟踪算法[J]. 计算机应用, 2018, 38(8):2175-2179. (XIONG C Z, CHE M Q, WANG R L. Real-time visual tracking algorithm based on correlation filters and sparse convolutional features[J]. Journal of Computer Applications, 2018, 38(8):2175-2179.)

[4] SONG Y, MA C, WU X, et al. VITAL:visual tracking via adversarial learning[C]//Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway:IEEE, 2018:8990-8999.

[5] GOODFELLOW I J, PO