view in publisher's site

Multi-level prediction Siamese network for real-time UAV visual tracking

Existing deployed Unmanned Aerial Vehicles (UAVs) visual trackers are usually based on the correlation filter framework. Although these methods have certain advantages of low computational complexity, the tracking performance of small targets and fast motion scenarios is not satisfactory. In this paper, we present a novel multi-level prediction Siamese network (MLPS) for object tracking in UAV videos, which consists of Siamese feature extraction module and multi-level prediction module. The multi-level prediction module can make full use of the characteristics of each layer features to achieve robust evaluation of targets with different scales. Meanwhile, for small-size target tracking, we design a residual feature fusion block, which is used to constrain the low-level feature representation by using high-level abstract semantics, and obtain the improvement of the tracker's ability to distinguish scene details. In addition, we propose a layer attention fusion block which is sensitive to the informative features of each layers to achieve adaptive fusion of different levels of correlation responses by dynamically balancing the multi-layer features. Sufficient experiments on several UAV tracking benchmarks demonstrate that MLPS achieves state-of-the-art performance and runs at a speed over 97 FPS.Graphical abstractDownload : Download high-res image (76KB)Download : Download full-size image

پیش‌بینی چند سطحی شبکه سیامی برای ردیابی بصری بی‌درنگ پهپاد بدون سرنشین

ردیاب‌های بصری وسایل نقلیه هوایی بدون سرنشین موجود (پهپاد)معمولا براساس چارچوب فیلتر همبستگی هستند. اگر چه این روش‌ها مزایای خاصی از پیچیدگی محاسباتی کم دارند، عملکرد ردیابی اهداف کوچک و سناریوهای حرکت سریع رضایت‌بخش نیست. در این مقاله، ما یک شبکه جدید پیش‌بینی چند سطحی Siamese (MLPS)را برای ردیابی شی در ویدئوهای UAV ارایه می‌دهیم، که شامل ماژول استخراج ویژگی Siamese و ماژول پیش‌بینی چند سطحی است. ماژول پیش‌بینی چند سطحی می‌تواند برای دستیابی به ارزیابی دقیق اهداف با مقیاس‌های مختلف، از ویژگی‌های هر لایه استفاده کامل کند. در عین حال، برای ردیابی هدف با اندازه کوچک، ما یک بلوک ترکیب ویژگی باقیمانده را طراحی می‌کنیم، که برای محدود کردن نمایش ویژگی سطح پایین با استفاده از معناشناسی انتزاعی سطح بالا استفاده می‌شود، و بهبود قابلیت ردیابی برای تشخیص جزئیات صحنه به دست می‌آید. به علاوه، ما یک بلوک هم‌جوشی توجه لایه‌ای را پیشنهاد می‌کنیم که به ویژگی‌های اطلاعاتی هر لایه حساس است تا به هم‌جوشی سازگار سطوح مختلف پاسخ‌های همبستگی از طریق متعادل‌سازی پویای ویژگی‌های چند لایه دست یابد. آزمایش‌ها کافی بر روی چندین معیار ردیابی پهپاد بدون سرنشین مافوق صوت نشان می‌دهد که MLPS به جدیدترین عملکرد دست می‌یابد و با سرعت بیش از ۹۷ FPS.دانلود انتزاعی انجام می‌شود: تصاویر با حافظه بالا (۷۶ کیلوبایت)دانلود کنید: تصاویر با اندازه کامل را دانلود کنید.
ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.