高斯核函数卷积神经网络跟踪算法
针对深度学习跟踪算法训练样本缺少、训练费时、算法复杂度高等问题,引入高斯核函数进行加速,提出一种无需训练的简化卷积神经网络跟踪算法.首先,对初始帧目标进行归一化处理并聚类提取一系列初始滤波器组,跟踪过程中结合目标背景信息与前景候选目标进行卷积;然后,提取目标简单抽象特征;最后,将简单层的卷积结果进行叠加得到目标的深层次特征表达.通过高斯核函数加速来提高算法中全部卷积运算的速度,利用目标的局部结构特征信息,对网络各阶段滤波器进行更新,结合粒子滤波跟踪框架实现跟踪.在CVPR2013跟踪数据集上的实验表明,本文方法脱离了繁琐深度学习运行环境,能克服低分辨率下目标局部遮挡与形变等问题,提高复杂背景下的跟踪效率.
视觉跟踪、深度学习、卷积神经网络、高斯核函数、前景目标、背景信息、模板匹配、粒子滤波
13
TP391(计算技术、计算机技术)
国家自然科学基金项目61203242,61605048;福建省自然科学基金项目2016J01300,2015J01256;华侨大学研究生科研创新能力培育计划资助项目1511422004
2018-06-11(万方平台首次上网日期,不代表论文的发表时间)
共7页
388-394