qq_38680752的博客

摘要：本文提出了一种稀疏鲁棒样本和卷积残差学习的多特征融合跟踪器。首先，引入稀疏鲁棒样本集（SRSS）来提高网络的鲁棒性。在这一过程中，我们首先采用稀疏表示来估计最佳候选，然后利用响应峰值联合检测和遮挡检测来确定样本的污染程度。其次，提出了一种多特征融合残差网络（MRN）及其两个基本分支来捕获不同特征的响应输出，以获得更高的定位精度。 针对快速运动和遮挡问题，本文提出了一种稀疏表示方法，并结合最大响应值和遮挡检测来完善样本集。本文的目标是提高卷积神经网络的鲁棒性，通过绘制稀疏表示的目标模板实现。为了提高定位