[发明专利]目标跟踪网络训练、跟踪方法及装置、电子设备及介质

权利要求书

1.一种目标跟踪网络的训练方法，其特征在于，包括：

利用所述目标跟踪网络中的孪生网络的第一分支对模板图像提取特征得到第一特征图，并利用所述孪生网络的第二分支对样本图像提取特征得到第二特征图，其中，所述模板图像为包含了所述样本图像中要跟踪的目标的图像，所述第一特征图包括所述目标的第一特征图和背景的第一特征图；

利用所述目标跟踪网络中的分类网络确定所述第一特征图和所述第二特征图之间的相似度；

基于所述第一特征图和所述第二特征图之间的相似度，确定大间隔分类损失值，其中，所述大间隔分类损失值用于评价在所述样本图像包含所述目标的情况下，所述第二特征图与所述背景的第一特征图之间的差异值大小和与所述目标的第一特征图之间差异值大小的准确性，和/或所述大间隔分类损失值用于评价在不包含所述目标的情况下，所述第二特征图与所述背景的第一特征图的差异值大小和与所述目标的第一特征图之间差异值大小的准确性；

根据所述大间隔分类损失值调整所述目标跟踪网络的网络参数。

2.根据权利要求1所述的方法，其特征在于，所述利用所述目标跟踪网络中的分类网络确定所述第一特征图和所述第二特征图之间的相似度，包括：

利用所述目标跟踪网络中的分类网络确定所述目标的第一特征图和所述第二特征图之间的相似度，得到第一相似度的确定结果；

利用所述目标跟踪网络中的分类网络确定所述背景的第一特征图和所述第二特征图之间的相似度，得到第二相似度的确定结果；

所述基于所述第一特征图和所述第二特征图之间的相似度，确定大间隔分类损失值，包括：

基于所述第一相似度的确定结果和所述第二相似度的确定结果，确定所述大间隔分类损失值。

3.根据权利要求1或2所述的方法，其特征在于，所述利用所述目标跟踪网络中的分类网络确定所述第一特征图和所述第二特征图之间的相似度，包括：

将第一特征图中的特征作为卷积核，对所述样本图像中的候选区域的特征进行卷积，生成各通道的相似度；其中，所述样本图像中的候选区域的特征根据所述样本图像中的候选区域和所述第二特征图确定；

将所述各通道的相似度在通道维度上通过相加进行合并；

所述基于所述第一特征图和所述第二特征图之间的相似度，确定大间隔分类损失值，包括：

根据合并后的相似度，确定大间隔分类损失值。

4.根据权利要求1或2所述的方法，其特征在于，利用所述目标跟踪网络中的分类网络确定所述第一特征图和所述第二特征图之间的相似度，包括：

根据所述第一特征图和所述样本图像中的候选区域的特征构成的特征图的内积，确定在通道维度上合并后的相似度；

基于所述第一特征图和所述第二特征图之间的相似度，确定大间隔分类损失值，包括：

根据通道维度上合并后的相似度，确定大间隔分类损失值。

5.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

利用所述目标跟踪网络中的分类网络根据所述第一特征图和所述第二特征图，对所述样本图像的各像素进行分类预测得到分类预测结果；

基于所述分类预测结果和所述样本图像的各像素的分类标注结果之间的差异，得到第二损失值；

所述根据所述大间隔分类损失值，调整所述目标跟踪网络的网络参数，包括：

结合所述大间隔分类损失值和所述第二损失值，调整所述目标跟踪网络的网络参数。

6.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

利用所述目标跟踪网络中的回归网络根据所述第一特征图和所述第二特征图，确定所述样本图像中的目标的边界框；

基于确定的边界框和所述样本图像中的目标的标注的边界框之间的差异，得到第三损失值；

所述根据所述大间隔分类损失值，调整所述目标跟踪网络的网络参数，包括：

基于所述大间隔分类损失值和所述第三损失值，调整所述目标跟踪网络的网络参数。

7.一种目标跟踪方法，其特征在于，所述方法包括：

利用权利要求1至6任一项所训练的目标跟踪网络对输入图像进行目标跟踪。