摘要：红外小目标检测通常受制于较远的成像距离,使得提取目标特征成为了一种困难,如何增强目标的特征表达是近些年的主要方向之一。而过于复杂的特征表达会损失推理速度,这对于有实时性要求的红外小目标检测任务是不利的。通过使用重参数化技术结合领域中常用的残差网络作为特征提取网络,再使用额外注意力与通道注意力作为特征增强模块与特征融合模块,在数据集上取得了较好的结果。提出的模型在SIRST与IRSTD-1K数据集上分别取得了0.734与0.638的mIoU值,同时参数量和计算复杂度只有0.306 M与1.114 G FLOPs。该模型能够在推理阶段保持较少参数的同时拥有和其他领先的方法相近甚至领先的性能,在串行运行的环境上有着明显的优势。

摘要：单目标跟踪作为一项关键的计算机视觉任务在工业与军工领域具有重要作用,从以图像特征为核心的传统方法发展到以网络结构设计为中心的深度学习方法,展现出了较大的研究价值。对单目标跟踪的发展过程进行了总结:首先介绍了一些主流的数据集;接着将以速度为优势的相关滤波方法和以精度高为特色的深度学习类方法作为主要脉络,对其中一些基准方法与高性能方法的设计思路进行了研究分析;最后对各种结构的方法进行了总结,并对今后的研究趋势作出展望。