基于特征融合和域适应的东北虎重识别研究
这是一篇关于深度学习,重识别,目标检测,域适应重识别,数据增强的论文, 主要内容为近几年,东北虎作为一种濒危的重点野生保护动物,如何对其进行有效的识别和监测已经成为相关研究人员关注的重要课题。由于虎群在自然环境中具有密度低、行为隐蔽、所处环境复杂等特点,使其在传统检测过程中很难被发现,因此如何利用重识别技术对其进行保护性研究具有重要意义。本文对基于深度学习的东北虎重识别算法的研究现状进行分析和优化,主要研究内容及工作如下:(1)针对目前多数东北虎重识别研究只用单一策略提取局部特征,但受东北虎复杂的条纹特征影响,该方法容易导致模型精确度不佳。基于这一问题,本文提出一种融合多分支与多粒度特征的东北虎重识别模型CMM-Net(Combining Multi-branch and Multi-granularity features)。该模型将东北虎多粒度细节特征与全局粗粒度特征结合,来弥补单一分支特征提取能力的不足;同时为进一步提高模型的表征学习能力,本文联合多分类任务与深度度量学习Circle Loss对模型提取的特征进行联合约束,即通过在正负样本对间重新加权,控制正负样本对各自梯度的贡献,使参数在训练过程中可以对类内相似性和类间相似性的反向传播梯度进行不同程度的扩张,从而得到一个更有区分力度的模型。最终所提模型在单摄像头环境下m AP和跨摄像头环境下m AP均得到较高精度,说明了本文所提出的东北虎重识别模型CMM-Net的有效性。(2)针对YOLOv5s网络对野外环境下的东北虎容易出现检测错误或漏检的问题,本文提出YOLOv5s网络优化模型来提高对野外环境中东北虎的检测精度。首先在Neck阶段采用AF-FPN结构替代原有FPN结构,提高多目标识别的精度;同时对损失函数进行改进,针对原损失函数未考虑边界框与预测框长宽比的情况,本文采用EIo U Loss作为损失函数,加速模型收敛并提高精度。最终本文提出的YOLOv5s优化网络对东北虎进行检测的精度与原YOLOv5s网络的m AP相比得到了提高,说明了本文所提的YOLOv5s优化方法对野外环境下东北虎检测的有效性。(3)针对重识别模型对不同数据集有域间差异的问题,即在自然环境中经目标检测方法得到的数据集若直接应用于CMM-Net重识别模型中,因不同数据集之间会有较大的域间差异,导致在一个数据集上训练好的重识别模型应用于其他数据集中可能会出现识别性能降低的情况,本文提出基于TA-Net的风格迁移重识别模型。通过将目标域风格迁移到源域数据集,生成具有目标域风格的图像,从而减少域间的差异,解决重识别模型CMM-Net域泛化问题。最终通过风格迁移后的重识别模型对野外环境下的东北虎数据集进行重识别,单摄像头环境的m AP和跨摄像头环境的m AP均有所提高,说明了所提风格迁移模型对解决重识别域泛化问题的有效性。
特定场景中全局目标跟踪系统设计与实现
这是一篇关于视频监控,目标检测,重识别,目标跟踪,时空特性的论文, 主要内容为视频监控是现代安防管理的重要手段之一。本文针对多路视频监控下全场景(全局)目标跟踪问题,设计并实现了一种较为通用的多路视频监控场景下全局目标跟踪系统,以便为相关基于视频监控的管理场景提供必要的目标跟踪与定位支持。本文主要工作包括以下几个方面:(1)系统整体分析与设计。系统整体采用C/S结构进行设计,服务端用来完成监控相机的接入、删除、通信等操作、完成服务端数据库的管理、完成目标跟踪以及其他相关算法的部署,客户端用来完成和服务端的通信、实现服务端数据的可视化、完成客户端数据库管理以及日志管理等。(2)单相机监控场景下目标跟踪算法设计与实现。整体使用YOLO v7对监控场景下感兴趣的目标对象进行目标检测,用以更新目标跟踪算子中的参数。单目标跟踪的情况下使用卡尔曼滤波进行目标跟踪;多目标跟踪的情况下使用Deep SORT算法进行目标跟踪。为把目标运动轨迹呈现在平面地图中,使用透视变换完成目标像素位置坐标到地图坐标的转换。(3)多相机监控场景下目标跟踪算法设计与实现。为接入服务器的每个相机注册线程,单目标跟踪的情况下运行单目标跟踪算子,多目标跟踪情况下运行多目标跟踪算子。多目标跟踪算子采用Res Ne St-50作为骨架网络,构建全局特征和局部特征两个分支,实现特征提取网络模型,用于替换Deep SORT中特征提取模块,实现重识别,并结合Circle Loss损失函数对网络进行训练。针对重识别算法的跟踪准确率低和ID跳变频繁的问题,在目标跟踪架构中融入时空特性的逻辑处理进行算法优化,使得在实际监控场景中的测试结果中MOTA达到了80%以上,MOTP达到了85%以上,ID跳变的次数显著降低。(4)全局目标跟踪系统实现。基于对系统的整体分析、设计以及目标跟踪算法的研究与应用,完成系统的整体开发。主要包括服务器和客户端各个独立功能模块的开发、客户端对目标跟踪算法得到的全局目标跟踪结果进行轨迹绘制的实现。最后对这些功能进行了功能验证以及对系统整体性能进行了测试。
基于改进CenterTrack的高速公路外场车辆跟踪方法研究
这是一篇关于车辆跟踪,联合检测跟踪算法,CenterTrack,重识别的论文, 主要内容为基于监控视频的车辆目标跟踪对于道路运行状态感知与异常事件检测具有重要的应用价值,一直以来都是智能交通领域的研究热点。但在高速公路外场的监控视频中,车辆目标存在遮挡频繁、多尺度、变尺度等问题,以及外场环境存在阴影干扰、恶劣天气、光照变化等不稳定因素,这给车辆目标跟踪带来了很大的挑战。CenterTrack是经典的联合检测跟踪模型,但尚存在跟踪精度不足和遮挡情况下易发生ID跳变的问题,因此,研究基于CenterTrack的高速公路外场场景下的车辆跟踪算法,提高其跟踪精度与速度,具有重要的理论和实际意义。论文围绕CenterTrack的特征提取网络和跟踪匹配策略,改进了CenterTrack的多输入特征融合方式,改进Res Net网络得到表示力更强的主干网络Res Net++,使模型能够更好的提取特征。同时为了解决跟踪时因为遮挡造成的ID跳变和跟踪漂移问题,提出了添加重识别分支和Centerness分支的改进方法,并设计了级联的目标匹配方法,提高了跟踪模型对遮挡目标的鲁棒性。论文主要工作和贡献如下:(1)针对CenterTrack跟踪精度不足的问题,改进其多输入特征融合方式,提出了级联的多输入特征融合方法,提高多输入信息的利用有效性;针对网络的通道不平衡问题,通过在输出分支处使用SE模块引入通道注意力机制,提升CenterTrack算法的检测精度。(2)针对CenterTrack算法的特征提取网络DLA计算量大、推理速度慢的问题,在Res Net网络的基础上,使用了深度可分离卷积和反转瓶颈的设计,并重新设计了Res Net的前四个卷积阶段中Block的比例关系。通过多种改进策略设计了特征提取能力更强的网络Res Net++,在提升跟踪精度的同时达到了实时的推理速度。(3)针对CenterTrack无法跟踪遮挡或暂时消失目标的问题,将车辆重识别引入跟踪算法,并与其他分支进行联合训练来提升算法对于遮挡目标的鲁棒性;添加Centerness分支估计模型输出的边界框的回归质量,减少误报检测框的出现。在跟踪匹配阶段,使用了重识别特征与IOU特征级联的匹配算法,提升车辆目标跟踪的准确率和连续性。综合上述改进,形成一种基于改进CenterTrack的车辆跟踪算法。在公开的车辆跟踪数据集KITTI和自建的高速公路车辆跟踪数据集上进行测试,实验结果表明与其他的多目标跟踪算法相比,论文提出的改进方法提升了车辆跟踪的准确率和速度,达到了较好的跟踪效果。
特定场景中全局目标跟踪系统设计与实现
这是一篇关于视频监控,目标检测,重识别,目标跟踪,时空特性的论文, 主要内容为视频监控是现代安防管理的重要手段之一。本文针对多路视频监控下全场景(全局)目标跟踪问题,设计并实现了一种较为通用的多路视频监控场景下全局目标跟踪系统,以便为相关基于视频监控的管理场景提供必要的目标跟踪与定位支持。本文主要工作包括以下几个方面:(1)系统整体分析与设计。系统整体采用C/S结构进行设计,服务端用来完成监控相机的接入、删除、通信等操作、完成服务端数据库的管理、完成目标跟踪以及其他相关算法的部署,客户端用来完成和服务端的通信、实现服务端数据的可视化、完成客户端数据库管理以及日志管理等。(2)单相机监控场景下目标跟踪算法设计与实现。整体使用YOLO v7对监控场景下感兴趣的目标对象进行目标检测,用以更新目标跟踪算子中的参数。单目标跟踪的情况下使用卡尔曼滤波进行目标跟踪;多目标跟踪的情况下使用Deep SORT算法进行目标跟踪。为把目标运动轨迹呈现在平面地图中,使用透视变换完成目标像素位置坐标到地图坐标的转换。(3)多相机监控场景下目标跟踪算法设计与实现。为接入服务器的每个相机注册线程,单目标跟踪的情况下运行单目标跟踪算子,多目标跟踪情况下运行多目标跟踪算子。多目标跟踪算子采用Res Ne St-50作为骨架网络,构建全局特征和局部特征两个分支,实现特征提取网络模型,用于替换Deep SORT中特征提取模块,实现重识别,并结合Circle Loss损失函数对网络进行训练。针对重识别算法的跟踪准确率低和ID跳变频繁的问题,在目标跟踪架构中融入时空特性的逻辑处理进行算法优化,使得在实际监控场景中的测试结果中MOTA达到了80%以上,MOTP达到了85%以上,ID跳变的次数显著降低。(4)全局目标跟踪系统实现。基于对系统的整体分析、设计以及目标跟踪算法的研究与应用,完成系统的整体开发。主要包括服务器和客户端各个独立功能模块的开发、客户端对目标跟踪算法得到的全局目标跟踪结果进行轨迹绘制的实现。最后对这些功能进行了功能验证以及对系统整体性能进行了测试。
基于Res2Net的重识别方法
这是一篇关于重识别,度量学习,Res2Net,部分注意力模块的论文, 主要内容为重识别任务是计算机视觉领域的重要课题,在工业界具有广泛应用。本文包括了两部分主要内容:一是探究新型的Res2Net网络结构对重识别任务(不仅限于行人重识别)的效果,提供基于Res2Net的简易可行,方便训练的高精度算法。结合了特征提取,损失函数选择分析,参数调整方法等方面;另一部分是自己提出的用于行人重识别的部分注意力(Part Attention)模块,并将该模块加入到我们的重识别实验中的行人重识别部分,实现了比较高的识别精度。本文的第2部分介绍了Res2Net的基础知识,关于Res2Net的结构可见2.2部分。第3部分介绍了度量学习经典的损失函数。第4部分介绍我们在训练测试过程中用到的重识别技巧。第5部分为本文的核心,介绍了我们提出的基于Res2Net的重识别算法,包括了模型改进和损失函数选取以及本文新提出的用于行人重识别的部分注意力模块。第6部分为实验部分,我们的数据集有三个,包括了两个行人重识别数据集(Market-1501[14],Duke MTMC-re ID[15])和一个箱包重识别数据集(MVB[6]),6.4介绍了数据的预处理,包括了我们对两类不同的重识别任务采取的不同的数据增强手段说明,最后6.5开列了我们实验结果,在三个数据集上验证了我们提出的基于Res2Net的重识别方法的有效性。
本文内容包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主题。发布者:毕设工坊 ,原文地址:https://m.bishedaima.com/lunwen/54227.html