文献

J-GLOBAL ID：202202213173818795   整理番号：22A0924296

SiamSMDFFF:浅いミドル深度3レベル特徴融合とクラスタリングベース適応矩形窓フィルタリングに基づくSiamseネットワークトラッカ【JST・京大機械翻訳】

SiamSMDFFF: Siamese network tracker based on shallow-middle-deep three-level feature fusion and clustering-based adaptive rectangular window filtering

著者 (4件)： Luo Yuan (Chongqing University of Posts and Telecommunications, Chongqing 400065, China) ,  Xiao Hang (Chongqing University of Posts and Telecommunications, Chongqing 400065, China) ,  Ou Junxiong (Chongqing University of Posts and Telecommunications, Chongqing 400065, China) ,  Chen Xu (Chongqing University of Posts and Telecommunications, Chongqing 400065, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 483  ページ： 160-170  発行年： 2022年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： マシンビジョンの開発によって,Siameseネットワークに基づくターゲットトラッカーは,伝統的方法と比較して,速度と精度のバランスにおいて優れた性能を示した。従来のトラッカーは通常,類似性マッチングを完成するために,意味情報を含む最後の畳み込みニューラルネットワーク(CNN)層から抽出した深い特徴のみを使用する。さらに,余弦ウィンドウは,通常,スコアマップをフィルターにかけるために使用され,それは,目標と類似の物体の干渉に及ぼすトラッカーの限られた抑圧効果,およびトラッカーの貧弱なロバスト性をもたらす。本論文では,クラスタリングベースの適応長方形窓フィルタと浅い中間深層特徴融合を組み合わせたSiamSMDFFFと名付けたSiameseネットワークトラッカーを提案した。SiamSMDFFFは,相補的特徴マップを得るために特徴レベルで融合する特徴を用いて,次にスコアレベルで融合する相関を介して相補的特徴マップから計算したスコアマップを用いて,最終スコアマップを得た。次に,スコアマップにおけるピーク点を初期クラスタ化中心として用いてクラスタ化を完了し,クラスタ化中心と最も遠いクラスタ化点間の距離を計算した。最後に,距離を用いて,追跡プロセスに干渉する類似ターゲットの負の衝撃を克服し,トラッカーのロバスト性を改善するため,スコアマップをフィルタする長方形窓のサイズの変化を制御した。実験結果は,SiamSMDFFFが,従来のトラッカーと比較して,いくつかの側面で著しく改善されることを証明した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 衝撃 ,  フィルタ ,  *ネットワーク ,  特性 ,  *フィルタリング ,  精度 ,  *クラスタ化 ,  深層 ,  ロバスト性
準シソーラス用語： 意味情報 ,  マシンビジョン ,  ターゲット追跡 ,  特徴マップ ,  *特徴融合 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 目標追跡 ,  シメーゼ ,  三準位特徴融合 ,  クラスタリング ,  適応矩形窓

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： 深度 ,  特徴融合 ,  クラスタリング ,  適応 ,  矩形 ,  窓 ,  フィルタリング