ATOM多注意力融合工件跟踪方法研究
针对工业生产复杂环境下,工件跟踪鲁棒性差且精确度低的问题,本文提出了一种基于重叠最大化精确跟踪算法(accurate tracking by overlap maximization,ATOM)的多注意力融合工件跟踪算法.该算法采用ResNet50为骨干网络,首先融入多注意力机制,使得网络更关注目标工件的关键信息;其次,使用注意力特征融合(attentional feature fusion,AFF)模块融合深层特征与浅层特征,更好地保留目标工件的语义与细节信息,以适应工业生产复杂多变的环境;最后将骨干网络第3层和第4层特征送入CSR-DCF分类器中,对得到的响应图进行融合,用以获取目标工件的粗略位置,通过状态估计网络获取精确目标框.实验表明,本文算法在OTB-2015数据集上的成功率(Success)与准确率(Precision)分别达到67.9%和85.2%;在VOT-2018数据集上的综合评分达到0.434,具有较高的精度和鲁棒性;在CCD工业相机拍摄的目标工件序列上,进一步验证了本文算法能高效应对工件跟踪过程中的常见挑战.
深度学习、目标跟踪、注意力机制、特征融合
33
TP391.41(计算技术、计算机技术)
陕西省科技厅项目;西安科技局项目
2023-01-06(万方平台首次上网日期,不代表论文的发表时间)
共8页
1047-1054