徐文辉
- 作品数：22 被引量：16H指数：2
- 供职机构：华中科技大学更多>>
- 发文基金：国防基础科研计划国家自然科学基金更多>>
- 相关领域：自动化与计算机技术电子电信电气工程文化科学更多>>
- 融合显著性与运动信息的相关滤波跟踪算法被引量：11
- 2021年
- 主流的目标跟踪算法以矩形模板的形式建立被跟踪物体的视觉表征,无法有效区分目标与背景像素,在背景复杂、目标非刚体形变、复杂运动等挑战性因素影响下容易出现模型偏移的问题,导致跟踪失败.与此同时,像素级的显著性信息与运动先验信息作为人类视觉系统有效区分目标与背景、识别运动物体的重要信号,并没有在主流目标跟踪算法中得到有效的集成利用.针对上述问题,提出目标的像素级概率性表征模型,并且建立与之对应的像素级目标概率推断方法,能够有效利用像素级的显著性与运动观测信息,实现与主流的相关滤波跟踪算法的融合;提出基于显著性的观测模型,通过背景先验与提出的背景距离模型,能够在背景复杂的情况下得到高辨识度的像素级图像观测;利用目标与相机运动的连续性来计算目标和背景的运动模式,并以此为基础建立基于运动估计的图像观测模型.实验结果表明,提出的目标表征模型与融合方法能够有效集成上述像素级图像观测信息,提出的跟踪方法总体跟踪精度优于多种当下最先进的跟踪器,对跟踪场景中的背景复杂、目标形变、平面内旋转等挑战性因素具有更好的鲁棒性.
- 张伟俊钟胜钟胜徐文辉
- 关键词：视觉目标跟踪显著性检测相关滤波
- 一种水灾星上在轨检测及灾情评估方法
- 本发明公开了一种水灾星上在轨检测及灾情评估方法，应用于灾情勘察卫星。包括以下步骤：1、预设水文观测点(具有代表性的观测位置，下文统称水文观测点)坐标；2、星上在轨采集包含水文观测点的图像；3、星上在轨计算水文观测点n×n...
- 钟胜张芷君颜露新张清洋崔宗阳王磊喻鹏徐文辉邹旭
- 一种反无人机多光谱探测跟踪方法
- 本发明公开了一种反无人机多光谱探测跟踪方法，属于多光谱探测跟踪技术领域。通过雷达定位目标对目标进行粗跟踪闭环控制，实现对目标的实时稳定跟踪，在粗跟踪闭环控制的基础上进一步精跟踪闭环控制，消除目标和发射望远镜之间因环境的影...
- 吴丰阳王晓丹钟胜颜露新邹旭徐文辉
- 一种卷积网络加速器、配置方法及计算机可读存储介质
- 本发明属于卷积网络的硬件加速技术领域，公开了一种卷积网络加速器、配置方法及计算机可读存储介质，通过标志判断当前执行的前向网络层在整体网络模型所在的层数，获得当前执行的前向网络层配置参数，并通过所述配置参数从DDR加载特征...
- 钟胜卢金仪颜露新王建辉徐文辉颜章唐维伟李志敏
- 一种动平台对空目标双色红外异构并行自动目标识别器
- 本发明公开了一种动平台对空目标双色红外异构并行自动目标识别器，所述目标识别器包括：交换式网络与至少一个处理部件，所述处理部件与所述交换式网络之间通过输入FIFO接口、同步存储器输出接口以及控制线连接，所述交换式网络用于动...
- 钟胜张天序高士英桑红石颜露新左峥嵘王建辉徐文辉王顺谭崇涛
- 一种用于边缘设备的目标检测网络压缩方法
- 本发明属于边缘设备目标检测技术领域，公开了一种用于边缘设备的目标检测网络压缩方法，用于边缘设备的目标检测网络压缩方法包括：对SkyNet优化网络结构，对特征图和权重参数进行量化；重新构造前向推理结构，合并深度可分离卷积中...
- 钟胜唐维伟邹旭徐文辉谭富中卢金仪
- 文献传递
- 一种面向LSTM网络模型的硬件加速系统
- 本发明公开了一种面向LSTM网络模型的硬件加速系统，属于深度学习硬件加速技术领域。本发明公开了一种面向深度学习长短期记忆(LSTM)网络模型的硬件加速系统，包括网络推理计算核心和网络数据存储核心。网络推理计算核心作为LS...
- 钟胜王煜颜露新邹旭陈立群徐文辉张思宇颜章
- 文献传递
- 一种面向LSTM网络模型的硬件加速系统
- 本发明公开了一种面向LSTM网络模型的硬件加速系统，属于深度学习硬件加速技术领域。本发明公开了一种面向深度学习长短期记忆(LSTM)网络模型的硬件加速系统，包括网络推理计算核心和网络数据存储核心。网络推理计算核心作为LS...
- 钟胜王煜颜露新邹旭陈立群徐文辉张思宇颜章
- 文献传递
- 一种动平台对地固定目标异构并行自动目标识别器
- 本发明公开了一种动平台对地固定目标异构并行自动目标识别器，所述目标识别器包括：交换式网络与至少一个处理部件，所述处理部件与所述交换式网络之间通过输入FIFO接口、同步存储器输出接口以及控制线连接，所述交换式网络用于动态链...
- 钟胜张天序高士英桑红石颜露新杨卫东王建辉徐文辉王斌张钊钊解涛
- 孪生网络跟踪算法并行计算结构研究
- 2021年
- 基于嵌入式平台的复杂背景目标跟踪技术在智能视频监控设备、无人机跟踪等领域有重要作用。卷积神经网络在跟踪问题上有准确率高、鲁棒性强的优点,但基于卷积特征的算法计算复杂度高,受嵌入式平台面积和功耗的限制,实时性难以满足嵌入式平台应用场景的需求。针对基于卷积特征的跟踪算法计算复杂度高、存储参数量大的难题,率先提出一种利用FPGA实现基于卷积神经网络的复杂背景目标跟踪硬件加速架构。该方法通过利用KL相对熵对目标跟踪算法Siamese-FC进行定点量化,设计了基于通道并行的卷积层加速架构。实验结果表明,定点量化后跟踪算法相比于原算法的平均精度损失不超过4.57%,FPGA部署后前向推理耗时仅为CPU的16.15%,功耗仅为CPU的13.7%。
- 卢金仪唐维伟徐文辉颜露新钟胜邹旭
- 关键词：卷积神经网络目标跟踪算法
