排序方式: 共有4条查询结果,搜索用时 31 毫秒
1
1.
深度学习在检测领域高速发展,但受限于训练数据和计算效率,在基于嵌入式平台的边缘计算领域,尤其是实时跟踪应用中深度学习的智能化算法应用并不广泛。针对这一现象,同时为满足现阶段国产化、智能化的技术需求,提出了一种改进的孪生网络深度学习跟踪算法。在特征网络加入微调网络,解决了网络模型无法在线更新的问题,提升了跟踪的准确性;在IoUNet损失函数中加入中心距离惩罚项,解决了IoUNet当IoU相同时位置跳跃,存在收敛盲区和收敛速度慢的问题;将训练后的网络通过通道剪枝,缩减网络模型尺寸,提升了模型加载和运行的速度。在华为Atlas200NPU平台上实现了实时运行,算法准确率高达0.90(IoU>0.7),帧率达到66 Hz。 相似文献
2.
初步探讨和分析几种实际典型场景目标与背景的特征,提出相应的目标分割算法,并对几种方法加以融合。实际跟踪算法中,实现目标分割方法的自动转换.自动调整自适应分割门限及搜索方案.实验表明,该算法转换灵活,跟踪平稳。自适应能力强,抗干扰性能好.易于软件实现. 相似文献
3.
4.
1