摘要：基于siamese网络的跟踪算法在跟踪精度和速度方面展现出巨大的潜力,然而要使离线训练的模型适应在线跟踪仍然面临着挑战。为了提升复杂场景下算法的特征提取以及判别能力,提出了一种融合通道-互联-空间注意力的siamese网络实时跟踪算法。首先构建以深度卷积网络VGG-Net-16作为主干网络的siamese跟踪框架,增加特征提取能力;接着设计通道-互联-空间注意力模块,增强模型的适应能力与判别能力;然后加权融合多层响应图,获取更精准的跟踪结果;最后使用大规模数据集对网络进行端到端的训练,在通用数据集OTB-2015上进行跟踪测试。实验结果表明:与当前主流算法相比,所提算法具有较强的稳健性,能更好地适应目标外观变化、相似物干扰、目标遮挡等复杂场景,在NVIDIA RTX 2060 GPU上,跟踪速度平均达到37FPS,满足实时性要求。

摘要：随着无人机技术在军事、民用等领域的广泛运用,高精度、低功耗智能无人机跟踪系统的需求也日益增多。针对无人机跟踪任务中目标尺度变化大、视野角度多变、遮挡等问题,提出了一种基于轻量级siamese注意力网络的无人机实时跟踪算法。首先,选取易于部署在嵌入式设备中的轻量级卷积神经网络MobileNetV2作为特征提取主干网络;接着,设计通道空间协同注意力模块,增强模型的适应能力与判别能力;然后,搭载区域建议网络,通过互相关获取前景背景分类和边界框回归响应图;最后,加权融合多层响应图,调整候选区域筛选策略,计算得到更加准确的跟踪结果。在无人机跟踪数据集上的仿真实验结果表明,相对于当前主流算法SiamRPN,该算法跟踪精度提升了3.5%,能更好地应对复杂多变的场景。同时,在NIVIDA RTX 2060 GPU上,跟踪速度达到60 frame/s。

摘要：针对冗余惯性导航信息识别问题,提出一种基于siamese网络的导航信息一致性判断方法。采用一段时间内的惯导数据变化趋势,模拟人脑对数据信息一致性的判断。首先建立惯组测量模型,获得不同状态的惯组测量数据,导航解算等处理后得到一段时间内7类21维的数据信息构造样本对。然后通过设计siamese网络结构,采用卷积神经网络提取样本对特征向量进行网络训练。最后进行实验仿真验证。结果表明,本文采用552对小样本数据进行训练的结果,在与训练样本存在差异的497对测试样本上达到了98.19%的准确度,说明网络具有一定的泛化能力。神经网络训练结果稳定,在测试集上的准确度高。为冗余惯性导航系统信息一致性判断提供了新思路。