肖雅夫
- 作品数：17 被引量：23H指数：3
- 供职机构：武汉大学更多>>
- 发文基金：国家自然科学基金中央高校基本科研业务费专项资金国家高技术研究发展计划更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于上下文感知和自适应响应的相关滤波目标跟踪方法
- 本发明公开了一种基于上下文感知和自适应响应的相关滤波目标跟踪方法，针对目标视频序列，在第一帧中给定目标初始状态的情况下，在后面的视频序列中估计目标的状态；本发明首先针对第t帧，根据上一帧的区域位置在当前帧中计算特征信息；...
- 李晶周益飞常军肖雅夫吴玉佳
- 文献传递
- 一种基于由粗到细脸部形状估计的人脸对齐方法
- 本发明公开了一种基于由粗到细脸部形状估计的人脸对齐方法，针对任一张输入人脸图片，首先估计出初始化人脸形状，然后逐步逼近人脸的真实形状，包括使用多任务深度学习框架对人脸的主要特征点的位置和人脸表情进行估计，构建基于卷积神经...
- 李晶万俊常军吴玉佳肖雅夫
- 文献传递
- 基于多阶段学习的相关滤波目标跟踪被引量：7
- 2017年
- 由于跟踪过程中目标外观变化和遮挡因素的影响,采用单一迭代更新滤波器的KCF算法在学习过程中会积累过多的噪声信息导致目标丢失.为解决该问题,本文提出一种基于多阶段学习的相关滤波跟踪算法.通过建立具有互补关系的全局阶段滤波器模型、一致性阶段滤波器模型以及初始阶段滤波器模型并行的对目标进行跟踪.在benchmark数据集的51个视频上的实验表明,本文算法取得的总体精度得分77.6%和总体成功率得分68.9%优于现有的大部分跟踪算法.
- 孙航李晶杜博肖雅夫胡云玲
- 关键词：目标跟踪一致性
- 一种基于外观多样性的生成对抗孪生网络目标跟踪方法
- 本发明公开了一种基于外观多样性的生成对抗孪生网络目标跟踪方法，针对目标视频序列，在第一帧中给定目标初始状态，在后面的视频序列中估计目标的状态；首先针对第t帧，进行局部特征提取作为搜索区域；其中1＜t≤N，N为目标视频序列...
- 姚博文肖雅夫洪燕张文幡
- 文献传递
- 一种基于混合分类器决策的压缩感知跟踪方法
- 本发明公开了一种基于混合分类器决策的压缩感知跟踪方法，主要解决现有技术跟踪方法在选择定位的区域产生漂移后分类器将会变得不准确以及在目标经历一段较长时间的严重遮挡后容易导致目标的丢失的问题。本发明定义了两个分类器，分别为目...
- 李晶孙航常军杜博苏振扬肖雅夫
- 文献传递
- 一种基于外观多样性的生成对抗孪生网络目标跟踪方法
- 本发明公开了一种基于外观多样性的生成对抗孪生网络目标跟踪方法，针对目标视频序列，在第一帧中给定目标初始状态，在后面的视频序列中估计目标的状态；首先针对第t帧，进行局部特征提取作为搜索区域；其中1＜t≤N，N为目标视频序列...
- 姚博文肖雅夫洪燕张文幡
- 文献传递
- 一种基于混合分类器决策的压缩感知跟踪方法
- 本发明公开了一种基于混合分类器决策的压缩感知跟踪方法，主要解决现有技术跟踪方法在选择定位的区域产生漂移后分类器将会变得不准确以及在目标经历一段较长时间的严重遮挡后容易导致目标的丢失的问题。本发明定义了两个分类器，分别为目...
- 李晶孙航常军杜博苏振扬肖雅夫
- 文献传递
- 基于云环境K-means聚类的并行算法被引量：10
- 2015年
- K-means聚类算法只能保证算法收敛到局部最优,从而导致聚类结果对初始点的选择非常依赖,同时在面对海量数据时容易因运算次数增多而使聚类过程耗时增加.针对上述问题及结合海量数据的特性,本文提出了一种基于云环境的并行聚类算法,该算法利用Canopy聚类算法思想并结合二分查找思想对K-means算法进行优化,同时采用"极限点"原则使之避免了聚类过程中的局部最优,然后利用顺序组合式MapReduce编程模型实现了算法的并行化扩展.实验结果表明:在大数据集上,该算法比同样部署在Hadoop集群上运行的K-means算法,在加速比、准确率、扩展率、算法效率方面具有较大的优势.
- 高榕李晶肖雅夫祝孙静彭卫平
- 关键词：海量数据聚类K-MEANS算法MAPREDUCE
- 基于交并比估计的空间注意力强化学习跟踪方法
- 本发明公开了一种基于交并比估计的空间注意力强化学习跟踪方法，本发明提出在深度强化学习跟踪算法的基础上，利用交并比估计深度网络模块实现对目标物体的边框估计；提出引入物体分割深度网络来实现可变形空间注意力，相比经典基于颜色特...
- 李晶肖雅夫常军刘天鹏姚博文洪燕
- 文献传递
- 基于时空上下文正则的孪生网络目标跟踪被引量：1
- 2020年
- 在视频目标跟踪任务中,负样本缺乏、背景混杂会造成目标丢失。为解决上述问题,提出一种基于时空上下文正则的孪生网络目标跟踪算法。该算法将空间上下文信息引入到孪生网络中,并利用目标物体正样本以及背景负样本训练跟踪器,通过正则化约束,抑制跟踪器对背景的响应,突出对目标的响应,从而得到鲁棒性更强的目标跟踪器;采用时间序列多组件匹配机制,在目标外观模型受到干扰的情况下动态调整目标模型学习率,从而保证目标模板不受污染。在OTB100标准数据集上的实验表明,在混合干扰条件下,本文算法的准确率(0. 885)和成功率(0. 615)均优于其他主流跟踪算法。特别是在遮掩、运动模糊、光照变化、背景聚类和快速运动等干扰因素影响情况下,本文算法均具有较强的鲁棒性。
- 张文幡李晶肖雅夫常军洪燕宋成芳
- 关键词：目标跟踪
