基于注意力机制的实例分割算法

实例分割作为计算机视觉领域极具挑战性的任务之一,要求在图像分类的基础上为每一个物体生成像素级别的分割掩码.业界主流方案可分为自上而下和自下而上两种范式,自上而下范式又可分为双阶段分割和单阶段分割.单阶段分割方案为了提高推断速度,往往使用全图卷积操作取代双阶段分割方案中先检测后分割的策略.然而,卷积网络的平移不变性使得同一种类的不同实例提取到的特征相似,仅靠全图卷积难以进行区分,从而导致单阶段分割方案精度下降.针对单阶段分割精度降低的问题,提出了一种注意力机制,该机制在特征图每个位置的特征向量上进行点积运算,并将运算结果作为新的特征图,同一位置点积结果最大化,不同位置点积结果最小化,以丰富特征图中不同实例的差异信息.通过注意力机制使得单阶段分割方案中的全图卷积操作能更好地区分同一种类的不同实例,从而生成高质量分割掩码.在公开数据集上进行实验,验证了所提方法的有效性.     

基于深度学习的无人机航拍视频多目标检测与跟踪研究进展

随着无人机航拍的数据采集愈加便捷，以无人机为平台的多目标检测与跟踪技术发展迅速，在智慧城市、环境监测、地质探测、精准农业和灾害预警等民用和军事领域有着广泛的应用前景，近年来深度学习的突飞猛进也为其提供了多种更为有效的解决思路。然而，无人机视角下目标外观发生突变、目标区域被严重遮挡以及目标消失和重现等挑战性的问题尚未完全解决。综述了基于深度学习的无人机航拍视频多目标检测与跟踪算法，总结了该领域的最新进展，包括多目标检测、多目标跟踪2个模块。多目标检测模块划分为双阶段与单阶段两个部分。对于多目标跟踪模块则依据基于检测的跟踪和联合检测的跟踪2个经典框架，分别阐述了2类算法的原理并分析其优缺点。随后对现有的公开数据集进行统计分析，并对基于无人机航拍视频的多目标检测与跟踪领域内标杆挑战赛VisDrone Challenge近年来的最优方案进行了对比分析。最后总结了无人机视角下多目标检测与跟踪亟待解决的问题并展望未来可能的研究方向，为后续相关研究的人员提供参考。