空中小目标跟踪：MDNet与AR模型的自适应方法

"基于多域卷积神经网络与自回归模型的空中小目标自适应跟踪方法，通过结合MDNet和AR模型解决卫星跟踪中的小目标漂移问题，提高跟踪精度和稳定性。" 本文介绍了一种创新的小目标跟踪方法，特别适用于在复杂背景如星空下的卫星跟踪任务。该方法的核心是利用多域卷积神经网络（MDNet）和自回归（AR）模型，以解决小目标与伪目标交会时产生的跟踪漂移问题。 首先，MDNet被用于图像序列的处理，尤其是在第一帧中对正样本进行bounding-box回归模型的训练。MDNet是一种深度学习模型，其特点是能够在多个域（如颜色、纹理等）上捕获特征，从而增强对小目标的识别能力。通过训练，MDNet可以识别和定位小目标，即使它们在复杂环境中变化或模糊。 接着，应用最小信息准则和最小二乘法来确定AR模型的阶数和参数。AR模型是一种时间序列分析工具，能够根据过去的目标位置预测未来的运动轨迹。在本研究中，AR模型被用来估计目标的运动状态，预测下一时刻的目标位置，从而减少因目标运动导致的跟踪误差。 最后，预测的目标位置被用作MDNet的新的采样中心，限制了搜索区域，确保候选框更加集中在目标周围。这一步骤进一步提高了目标检测的准确性，并减少了误检的可能性。通过bounding-box回归模型对目标位置进行微调，确保跟踪的连续性和稳定性。 实验部分，作者对比了8种不同的跟踪方法在8组复杂场景视频序列上的表现，结果显示，本文提出的自适应跟踪方法在成功率和平均覆盖率方面均优于其他7种典型算法，显示出高精度和强鲁棒性。 关键词涉及的领域包括机器视觉、小目标跟踪、多域卷积神经网络和自回归模型。这些技术的应用表明，结合深度学习与统计建模可以有效地解决实际问题，特别是在动态环境中的目标追踪。 这项工作提供了一个高效的小目标跟踪框架，它将深度学习的图像分析能力与统计预测模型相结合，为解决卫星跟踪和其他类似领域的挑战提供了新思路。这种方法的优越性能表明，在未来，类似的混合模型可能会在更广泛的领域得到应用。