基于深度学习的无人机单目标跟踪

来源：计算机技术与发展杂志2024年第01期北京时间：

作者：谢志丰;周诺;梁军*

单位：华南师范大学 软件学院,广东 佛山 528225 Author(s): XIE Zhi-feng;ZHOU Nuo;LIANG Jun* School of Software,South China Normal University,Foshan 528225,China 关键词: 无人机;深度学习;目标跟踪;注意力机制;平衡 L1 损失;SENet Keywords: unmanned aerial vehicle ( UAV) ;deep learning;object tracking;attention mechanism;balanced L1 loss;SENet 分类号: TP301 DOI: 10. 3969 / j. issn. 1673-629X. 2024. 01. 027 摘要: 无人机单目标跟踪,是指对无人机运动过程中拍摄的视频进行实时处理,进而准确、稳定地跟踪一个移动目标。无人机单目标跟踪受环境影响较大,存在光照变化、背景干扰、目标遮挡、相似目标干扰等问题,使得追踪准确性尚有待提高。 针对上述问题,以 SiamRPN++为基础,对其模型和损失函数进行创新性优化。 主要研究贡献:在网络骨架( Backbone)方面,通过引入注意力机制网络结构 SENet,与原有模型的 ResNet50 组成 Se_ResNet50,提升对单目标跟踪的准确性和有效性;在损失函数方面,使用 Balanced L1 Loss 提升关键的回归梯度,在分类、整体定位以及精确定位中实现更加平衡的训练;在 SiamRPN++的结构基础上,对 Backbone 和 Loss 函数进行优化。 实验使用 ILSVRC2013 和 ILSVRC2014 的 DET 数据集进行训练,以 VOT2018 和 OTB100 为测试数据集检验训练精度。 最终追踪准确性在原基础上得到了一定的提高。

摘要：无人机单目标跟踪,是指对无人机运动过程中拍摄的视频进行实时处理,进而准确、稳定地跟踪一个移动目标。无人机单目标跟踪受环境影响较大,存在光照变化、背景干扰、目标遮挡、相似目标干扰等问题,使得追踪准确性尚有待提高。 针对上述问题,以 SiamRPN++为基础,对其模型和损失函数进行创新性优化。 主要研究贡献:在网络骨架( Backbone)方面,通过引入注意力机制网络结构 SENet,与原有模型的 ResNet50 组成 Se_ResNet50,提升对单目标跟踪的准确性和有效性;在损失函数方面,使用 Balanced L1 Loss 提升关键的回归梯度,在分类、整体定位以及精确定位中实现更加平衡的训练;在 SiamRPN++的结构基础上,对 Backbone 和 Loss 函数进行优化。 实验使用 ILSVRC2013 和 ILSVRC2014 的 DET 数据集进行训练,以 VOT2018 和 OTB100 为测试数据集检验训练精度。 最终追踪准确性在原基础上得到了一定的提高。

关键词：无人机;深度学习;目标跟踪;注意力机制;平衡 L1 损失;SENet