摘要：实时多目标跟踪算法取得了理想的跟踪性能,但大多数现有算法的跟踪速度较慢,且随着背景复杂度的增加,跟踪精度也随之降低。针对此问题,本文提出了基于在线数据关联的行人实时跟踪算法。首先,设计了核相关滤波和卡尔曼滤波双轨道预测机制,配合DeepSORT中的级联匹配形成了预测-跟踪-校准体系,使数据关联更加可靠。此外,在目标检测部分引入了注意力机制,通过强化目标对象的位置信息增强特征表示能力,从而提升跟踪的精度。该模型在MOT16数据集上的MOTA达到了66.5%、IDF1达到了64.2%、IDSW达到了641。与DeepSORT算法对比,MOTA和IDF1分别提升了13%和13.2%,IDSW下降了410。本文算法有助于解决行人实时跟踪时出现的目标误检、漏检等问题,在跟踪中对严重遮挡情况仍保持了较高的跟踪精度,在复杂环境下可以实现行人实时稳定跟踪。

摘要：在眼科疾病的诊断中,对视网膜血管进行分割是非常有效的一种方法。在方法使用中,经常会遇到由于视网膜血管背景对比度低及血管末梢细节复杂导致的血管分割难度较大的问题,通过在设计网络的过程中在基础U-net网络中引入残差学习,注意力机制等模块,并将两者巧妙地结合在一起,提出一种新型的基于U-net的RAU-net视网膜血管图像分割算法。首先,在网络的编码器阶段加入残差模块,解决了模型网络加深导致梯度爆炸以及梯度消失的问题。其次,在网络的解码器阶段引入注意力门(attention gate,AU)模块,用来抑制不必要的特征,从而使模型产生更高的精度。通过在DRIVE数据集上进行验证,该算法的准确率、灵敏度、特异性和F_(1)-score分别达到了0.7832,0.9815,0.9568和0.8192。分割效果相对于普通监督学习算法较为良好。