计算机工程

作者：罗旭东, 袁笛, 常晓军, 何震宇

单位：1. 西安电子科技大学广州研究院, 广东 广州 5100002. 悉尼科技大学信息工程学院, 澳大利亚 悉尼 20073. 哈尔滨工业大学(深圳)计算机科学与技术学院, 广东 深圳 518055

关键词：图像增强,水下目标跟踪,注意力机制,分布估计,概率网络

基金：国家自然科学基金(62202362); 中国博士后科学基金(2022TQ0247); 中国博士后科学基金(2023M742742)

水下视觉目标跟踪(UVOT)任务不仅需要应对常见的露天跟踪挑战, 而且还需要面对水下环境所特有的诸多挑战, 包括但不限于光学退化和散射、光照不均、能见度低、水动力学等影响。在这种情况下, 直接将大量传统的露天场景目标跟踪方法应用于水下场景, 其性能下降是难以避免的。为了解决上述问题, 首先引入一种基于不确定性启发的水下图像增强(UIE)模块, 将UIE拆分为分布估计和共识过程, 并利用一种新的概率网络来学习水下图像的增强分布, 以解决参考图像的偏差问题。然后将UIE模块应用于基于注意力的特征融合网络, 提出水下目标跟踪算法UTransT, 其中的特征融合网络结合自注意力和交叉注意力机制, 以便有效地融合模板特征和搜索区域特征。实验结果表明: 在UTB180数据集上, UTransT的成功率相比于对比算法中表现最优的MixFormer提高了0.8百分点、归一化精度提高了1.9百分点; 在VMAT数据集上, 其成功率相比对比算法中表现最优的掩盖外观转移(MAT)算法提高了1.2百分点、归一化精度提高了1.5百分点; UTransT能够以65帧/s的速度进行实时跟踪。这验证了所提算法在改善水下目标跟踪任务中的有效性和可行性。

来源：2025年第1期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第1期