针对现有目标跟踪算法存在目标感知能力较弱、实时性不足以及目标易丢失的问题,提出一种结合金字塔池化和目标运动轨迹的单目标跟踪算法(Pyramid pooling Transformer for single object tracking,PPTTrack)。首先,算法采用PVT作为骨干网络构建深度神经网络,建立模板图和搜索图之间的双向信息流通道,提升跟踪算法的目标感知能力;其次,在骨干网络中引入金字塔池化方法缩短K,V的序列长度,降低模型复杂度,提高算法运行速率;最后,将跟踪目标的运动轨迹构建为一个Motion Token输入到编码器中进行特征融合,利用运动轨迹连续性预测目标位置,以解决目标丢失问题。实验结果表明,上述算法在GOT-10K、LaSOT、UAV123以及TrackingNet四个基准数据集上的性能均达到了较为先进的水平。
为了缓解基于伪标签的无监督域自适应行人重识别(UDA person ReID)方法中噪声标签带来的负面影响,提出了一种基于可靠性集成的无监督域自适应行人重识别(UDA-RI)方法。该方法包含渐进式伪标签提炼策略和基于可靠性集成策略两个部分。渐进式伪标签提炼策略通过建立一个不确定性的定量标准来衡量伪标签的可靠性,并采用渐进式采样使得模型得到更加稳定的训练。基于可靠性集成策略考虑了来自不同适应时刻的知识,将来自不同迭代的模型按照可靠性高低分配的权重进行了集成,并将自集成后的两种不同架构的模型再进行集成作为最终推理模型。实验表明,与目前先进的无监督域自适应行人重识别方法相比,UDA-RI方法在Market1501、DukeMTMC-ReID和MSMT17数据集上都取得了优越的性能。
