買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜中國(guó)科學(xué)院西安光學(xué)精密機(jī)械研究所申請(qǐng)的專(zhuān)利一種基于深度學(xué)習(xí)孿生網(wǎng)絡(luò)的目標(biāo)跟蹤方法獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN119851184B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-06-13發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202510318927.8，技術(shù)領(lǐng)域涉及：G06V20/40；該發(fā)明授權(quán)一種基于深度學(xué)習(xí)孿生網(wǎng)絡(luò)的目標(biāo)跟蹤方法是由張民昊;張高鵬;曹劍中;陳衛(wèi)寧;張海峰;郭惠楠設(shè)計(jì)研發(fā)完成，并于2025-03-18向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本一種基于深度學(xué)習(xí)孿生網(wǎng)絡(luò)的目標(biāo)跟蹤方法在說(shuō)明書(shū)摘要公布了：本發(fā)明涉及目標(biāo)跟蹤領(lǐng)域方法，具體涉及一種基于深度學(xué)習(xí)孿生網(wǎng)絡(luò)的目標(biāo)跟蹤方法，為解決現(xiàn)有技術(shù)中存在跟蹤模型在目標(biāo)有遮擋、劇烈形變以及出視場(chǎng)等場(chǎng)景下會(huì)產(chǎn)生污染疊加，對(duì)相似目標(biāo)判別難度較高以及雜亂背景易對(duì)其產(chǎn)生污染的不足之處，本發(fā)明基于深度學(xué)習(xí)孿生網(wǎng)絡(luò)的目標(biāo)跟蹤方法包括以下步驟：利用深度可分離卷積網(wǎng)絡(luò)捕獲局部與全局的上下文信息、多尺度大核模塊增強(qiáng)特征、孿生網(wǎng)絡(luò)進(jìn)行關(guān)聯(lián)操作、分類(lèi)回歸網(wǎng)絡(luò)獲取目標(biāo)邊界框，使得目標(biāo)跟蹤準(zhǔn)確、高效、靈活，較傳統(tǒng)相關(guān)濾波器算法有更好的性能表現(xiàn)及算法魯棒性。

本發(fā)明授權(quán)一種基于深度學(xué)習(xí)孿生網(wǎng)絡(luò)的目標(biāo)跟蹤方法在權(quán)利要求書(shū)中公布了：1.一種基于深度學(xué)習(xí)孿生網(wǎng)絡(luò)的目標(biāo)跟蹤方法，其特征在于，包括如下步驟： S1，獲取視頻圖像文件，在視頻圖像文件初始幀中指定模板目標(biāo)，并給定其目標(biāo)邊界框的真值，模板目標(biāo)用于為后續(xù)幀提供判別模板； S2，提取初始幀的特征信息，通過(guò)深度可分離卷積網(wǎng)絡(luò)處理當(dāng)前幀的特征信息，獲取對(duì)應(yīng)的局部與全局的上下文信息，再進(jìn)行特征增強(qiáng)得到模板目標(biāo)的增強(qiáng)特征XG0； 所述特征增強(qiáng)具體通過(guò)m個(gè)多尺度大核模塊進(jìn)行迭代增強(qiáng)處理，其中，m≥2；所述多尺度大核模塊包括依次設(shè)置的多尺度大核注意模塊和門(mén)控空間注意模塊，多尺度大核注意模塊的過(guò)程如下所示： N＝LNZ 門(mén)控空間注意模塊的過(guò)程如下所示： L＝LNXM XG＝XM+λ2f6GSAUf4L，f5L 其中，Z為深度可分離卷積網(wǎng)絡(luò)獲取的特征，LN為歸一化操作，N為特征Z經(jīng)歸一化得到的特征，L為特征XM經(jīng)歸一化得到的特征；λ1和λ2分別是當(dāng)前層中可學(xué)習(xí)的縮放因子，為矩陣的外積，fn為不變維度下的第n個(gè)點(diǎn)級(jí)卷積，n取值為1，2，3，4，5，6，依次記為f1，f2，f3，f4，f5，f6，MLKAf1N為動(dòng)態(tài)適應(yīng)的大核注意力，GSAUf4L，f5L為經(jīng)密集變換的特征f4L和特征f5L，XM為多尺度大核注意模塊的輸出特征，XG為多尺度大核模塊輸出的增強(qiáng)特征； 深度可分離卷積網(wǎng)絡(luò)包括特征分解模塊和多階門(mén)控聚合模塊；將特征信息輸入特征分解模塊，通過(guò)歸一化、卷積層Conv1×1、深度卷積層DWConv3×3以及第一激活函數(shù)GELU處理，利用不同的縮放率分別得到低階特征Yl、中階特征Ym和高階特征Yh，具體為： Yl＝Conv1×1X， Ym＝GELUYl+γs⊙Yl-GAPYl Yh＝GELUDWConv3×3Conv1×1NormX 其中，X為特征信息，GAP為全局平均池化，Norm為歸一化，γs為一個(gè)初始化為零的縮放因子，⊙為循環(huán)卷積； 多階門(mén)控聚合模塊設(shè)置有聚合分支和上下文分支，聚合分支用于根據(jù)輸入特征Xm生成門(mén)控權(quán)重，上下文分支用于根據(jù)所生成的門(mén)控權(quán)重，利用不同大小的循環(huán)卷積進(jìn)行多尺度特征提取，進(jìn)而捕獲上下文多階交互，將低階特征Yl、中階特征Ym和高階特征Yh作為輸入特征Xin輸入多階門(mén)控聚合模塊，經(jīng)過(guò)卷積層Conv1×1和第一激活函數(shù)GELU處理，同時(shí)通過(guò)聚合分支和上下文分支指導(dǎo)，得到特征Z，作為輸出特征Xout的輸出； S3，提取緊挨著的后續(xù)幀作為當(dāng)前幀，提取其特征信息，通過(guò)所述深度可分離卷積網(wǎng)絡(luò)處理當(dāng)前幀的特征信息獲取對(duì)應(yīng)的局部與全局的上下文信息，再通過(guò)所述特征增強(qiáng)處理得到后續(xù)幀的增強(qiáng)特征XG1； S4，通過(guò)孿生網(wǎng)絡(luò)對(duì)該后續(xù)幀的增強(qiáng)特征XG1和模板目標(biāo)的增強(qiáng)特征XG0進(jìn)行關(guān)聯(lián)操作，得到強(qiáng)關(guān)聯(lián)區(qū)域圖像及其對(duì)應(yīng)的相關(guān)響應(yīng)圖和損失函數(shù)； S5，通過(guò)分類(lèi)回歸網(wǎng)絡(luò)對(duì)強(qiáng)關(guān)聯(lián)區(qū)域圖像進(jìn)行處理，迭代輸出偏移回歸，進(jìn)而得到該后續(xù)幀優(yōu)化后的相關(guān)響應(yīng)圖、目標(biāo)邊界框及對(duì)應(yīng)的損失函數(shù)，完成當(dāng)前幀的目標(biāo)跟蹤； S6，判斷當(dāng)前幀是否為最后一幀，如否，則返回步驟S3，如是，則輸出所有后續(xù)幀的目標(biāo)邊界框，完成視頻目標(biāo)跟蹤。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)利的申請(qǐng)人或?qū)＠麢?quán)人中國(guó)科學(xué)院西安光學(xué)精密機(jī)械研究所，其通訊地址為：710119 陜西省西安市高新區(qū)新型工業(yè)園信息大道17號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。