-
题名基于差分图像的运动目标跟踪与分割方法的应用研究
被引量：14
- 1
-
-
作者
张昊
黄战华
郁道银
蔡怀宇
阎斌贝
赵成效
-
机构
天津大学精密仪器与光电子工程学院教育部光电信息技术科学重点实验室
-
出处
《光学技术》
EI
CAS
CSCD
北大核心
2005年第4期565-567,共3页
-
文摘
提出了一种基于差分图像运动检测和轮廓提取的跟踪与分割图像的方法。该方法首先从初始图像中提取目标的轮廓,然后利用相邻帧之间的差分图像初步确定目标在每帧图像中的粗略位置,最后把从上一帧图像中得到的目标轮廓置于该位置,并作为轮廓提取的初始值,由此可得到对目标的准确分割。
-
关键词
目标跟踪与分割
差分图像
轮廓提取
-
Keywords
motion tracking and segmentation
change detection
contour extraction
-
分类号
TN911.74
[电子电信—通信与信息系统]
-
-
题名时空特征融合网络的多目标跟踪与分割
被引量：1
- 2
-
-
作者
刘雨亭
张开华
樊佳庆
刘青山
-
机构
南京信息工程大学数字取证教育部工程研究中心
-
出处
《中国图象图形学报》
CSCD
北大核心
2022年第11期3257-3266,共10页
-
基金
科技创新2030-“新一代人工智能”重大项目(2018AAA0100400)
国家自然科学基金项目(61876088,U20B2065,61532009)。
-
文摘
目的 多目标跟踪与分割是计算机视觉领域一个重要的研究方向。现有方法多是借鉴多目标跟踪领域先检测然后进行跟踪与分割的思路,这类方法对重要特征信息的关注不足,难以处理目标遮挡等问题。为了解决上述问题,本文提出一种基于时空特征融合的多目标跟踪与分割模型,利用空间三坐标注意力模块和时间压缩自注意力模块选择出显著特征,以此达到优异的多目标跟踪与分割性能。方法 本文网络由2D编码器和3D解码器构成,首先将多幅连续帧图像输入到2D编码层,提取出不同分辨率的图像特征,然后从低分辨率的特征开始通过空间三坐标注意力模块得到重要的空间特征,通过时间压缩自注意力模块获得含有关键帧信息的时间特征,再将两者与原始特征融合,然后与较高分辨率的特征共同输入3D卷积层,反复聚合不同层次的特征,以此得到融合多次的既有关键时间信息又有重要空间信息的特征,最后得到跟踪和分割结果。结果 实验在YouTube-VIS(YouTube video instance segmentation)和KITTI MOTS(multi-object tracking and segmentation)两个数据集上进行定量评估。在YouTube-VIS数据集中,相比于性能第2的CompFeat模型,本文方法的AP(average precision)值提高了0.2%。在KITTI MOTS数据集中,相比于性能第2的STEm-Seg模型,在汽车类上,本文方法的ID switch指标减少了9;在行人类上,本文方法的sMOTSA(soft multi-object tracking and segmentation accuracy)、MOTSA(multi-object tracking and segmentation accuracy)和MOTSP(multi-object tracking and segmentation precision)分别提高了0.7%、0.6%和0.9%,ID switch指标减少了1。在KITTI MOTS数据集中进行消融实验,验证空间三坐标注意力模块和时间压缩自注意力模块的有效性,消融实验结果表明提出的算法改善了多目标跟踪与分割的效果。结论 提出的多目标跟踪与分割模型充分挖掘多帧图像之间的特征信息,使多
-
关键词
深度学习
多目标跟踪与分割(MOTS)
3D卷积神经网络
特征融合
注意力机制
-
Keywords
deep learning
multi-object tracking and segmentation(MOTS)
3D convolutional neural network
feature fusion
attention mechanism
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名在线多类别逐点式多目标跟踪与分割
- 3
-
-
作者
毕鑫
谭锦钢
张广慧
-
机构
中国科学院上海微系统与信息技术研究所仿生视觉系统实验室
中国科学院大学
-
出处
《计算机工程与应用》
CSCD
北大核心
2022年第19期193-201,共9页
-
基金
中国科学院前沿科学重点研究项目(QYZDY-SSW-JSC034)。
-
文摘
现有基于深度学习的多目标跟踪算法大多利用目标检测任务预测的边界框跟踪目标,当目标间存在遮挡时,边界框会产生重叠进而影响跟踪准确度,针对这个问题,提出了一种在线多类别逐点式多目标跟踪与分割(cate-gory-free point-wise multi-object tracking and segmentation,CPMOTS)算法。该算法摒弃了边界框的目标表征方式,利用实例分割的像素级掩码表征目标进行跟踪,网络采用并行结构同时分割与跟踪多类别目标,并保证了运行效率,这在真实场景中有很强的实用性。CPMOTS首先利用实例分割网络得到实例分割掩码,对其采样得到无序点集;然后将点集的特征输入跟踪网络得到判别性的实例级嵌入向量;最后将该嵌入向量通过直观高效的注意力模块以显式建模其通道间的依赖关系,自适应学习每个特征通道的重要程度,依照这个重要程度选择性地强化有用的特征,抑制无用的特征,实现通道特征重标定,从而提高算法的性能。在多目标跟踪与分割基准数据集KITTI MOTS的实验表明,CPMOTS跟踪的精度优于大部分其他对比方法,并达到了16 frame/s的近实时速度。
-
关键词
深度学习
多目标跟踪与分割
实例分割
注意力模块
特征重标定
-
Keywords
deep learning
multi-object tracking and segmentation
instance segmentation
attention module
feature re-calibration
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
