.png){kind=icon}
返回
Learning enhanced filter and response reliability regularization for aerial object tracking
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114303.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无人机（UAV）跟踪在运输和安全领域至关重要，近年来该领域取得了显著进展。为解决空中平台计算资源有限和实时性要求严格的问题，已开发出多种基于判别相关滤波器（DCFs）的UAV跟踪算法，旨在平衡精度与效率。然而，滤波器有限的判别能力，以及背景杂波、遮挡和相机运动等复杂外观变化，持续带来显著挑战并降低跟踪性能。为解决这些问题，我们提出了增强滤波器与响应可靠性相关滤波器（EFRCF）。该方法引入了增强滤波器可靠性（EFR）正则化模块，采用响应图质量评估机制来指导正则化系数的自适应学习，从而增强判别能力。此外，还集成了增强响应可靠性（ERR）正则化模块以抑制响应图的剧烈波动。在四个流行的UAV跟踪基准上的大量实验表明，所提出的EFRCF优于多种主流跟踪器。值得注意的是，它在低成本CPU上实现了62.5帧/秒的实时处理速度。源代码将发布于https://github.com/marico2020/EFRCF。
Keyword:
UAV tracking
Discriminative Correlation Filters
Enhanced Filter Reliability
Response Reliability
Real-time tracking
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Manifold Siamese Network: A Novel Visual Tracking ConvNet for Autonomous Vehicles歧管Siamese网络: 一种用于自动驾驶车辆的新型视觉跟踪ConvNet
PREAI
分享收藏Learning dynamic spatial-temporal regularized correlation filter tracking with response deviation suppression via multi-feature fusion.png)
NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏Aerial Images-Based Forest Fire Detection for Firefighting Using Optical Remote Sensing Techniques and Unmanned Aerial Vehicles使用光学遥感技术和无人机进行基于航空图像的森林火灾探测，以进行消防
PREAI
分享收藏
查看更多内容