一种基于迁移学习-角点预测的图注意目标跟踪方法技术

本发明专利技术请求保护一种基于迁移学习

【技术实现步骤摘要】
一种基于迁移学习
‑
角点预测的图注意目标跟踪方法


[0001]本专利技术属于图像处理
，主要涉及目标跟踪，具体说是一种基于迁移学习
‑
角点预测的图注意目标跟踪方法。

技术介绍

[0002]视觉目标跟踪是指对图像序列中的运动目标进行检测、提取、识别和跟踪，获得运动目标的运动参数，如位置、速度、加速度和运动轨迹等，从而进行下一步的处理与分析，实现对运动目标的行为理解，以完成更高一级的检测任务。在跟踪过程中我们希望解决由遮挡、光照不均匀，形变带来的跟踪失败的问题。
[0003]近年来，迁移学习被广泛的应用。相比传统的方法，迁移学习能够取原来模型较好的超参数，修改不适合参数，减少了过拟合的风险，提高了模型的泛化能力。
[0004]在现有的目标跟踪方法中，通常使用一个分类分支预测每个位置的类别信息，另一个回归分支计算该位置的目标边界框。这两个分支共享GAM输出的相同响应映射，迫使同一个特征图要进行分类和回归，不便解耦，导致跟踪结果不准确。

技术实现思路

[0005]本专利技术旨在解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习
‑
角点预测的图注意目标跟踪方法，其特征在于，包括以下步骤：预训练GoogLeNet网络；预处理训练集数据集：冻结特征层参数：将GoogLeNet的卷积层和池化层参数固定，使其不会发生梯度的更新，以优化全连接层；将经过GoogLeNet网络的特征，通过图注意模块GAM，进行图注意信息嵌入；经过图注意信息嵌入的特征序列作为新的特征映射，被送入到全卷积网络FCN，并分别为对象边界框的左上角和右下角输出两个概率图P
tl
(x，y)和P
br
(x，y)；通过计算角点概率分布的期望值，得到预测框坐标；利用随机梯度求解损失函数，对全连接层的参数进行升级优化，微调权重参、偏置参数；进行目标跟踪：用新的视频作为网络输入，用角点预测计算分类回归的位置并框出目标。2.根据权利要求1所述的一种基于迁移学习
‑
角点预测的图注意目标跟踪方法，其特征在于，所述预训练GoogLeNet网络，具体包括：将GOT
‑
10k数据集作为训练数据集，训练GoogLeNet，使GoogLeNet具有初始值，GoogLeNet的核心思想是将稀疏矩阵聚类为较为密集的子矩阵来提高计算性能，通过不垂直堆砌层的方法得到更深的网络，使GoogLeNet网络具备图像特征提取的能力。3.根据权利要求2所述的一种基于迁移学习
‑
角点预测的图注意目标跟踪方法，其特征在于，所述步骤2预处理训练集数据集，具体包括：将训练数据集中的所有图像进行随机剪裁，得到一组尺寸为287*287的训练数据集，将剪裁后得到的训练数据集顺序打乱，从中抽取相同和不同类别的图像，组成新的训练数据集。4.根据权利要求3所述的一种基于迁移学习
‑
角点预测的图注意目标跟踪方法，其特征在于，还包括对新的数据集采用缩放变形、平移变换、颜色增强在内的数据增广方法以增强模型的学习能力。5.根据权利要求4所述的一种基于迁移学习
‑
角点预测的图注意目标跟踪方法，其特征在于，所述图注意模块GAM进行图注意信息嵌入的步骤具体包括：图注意模块GAM指的是将输入的特征向量...

【专利技术属性】
技术研发人员：孙开伟，冉雪，宣立德，李彦，刘虎，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：