【摘要】    孪生网络属于卷积神经网络的一种，其能够良好的解决图像之间相似性的问题，将其应用于深度学习目标跟踪算法当中，能够实现离线训练确定跟踪目标、在线监督跟踪目标，从而达到实时跟踪目标的目的。基于此，本文主要研究利用孪生网络的深度学习目标跟踪算法，首先概述了孪生网络、深度学习及目标跟踪的相关理论为全文奠定坚实的理论基础，随后开展了对在深度学习目标跟踪算法中合理利用孪生网络的有效方法，并对其效果进行了简单的分析，希望对相关人员有所启示。

【关键词】    孪生网络    深度学习    目标跟踪算法    卷积神经网络

引言：

深度学习算法是目前国内各个领域中被广泛应用的一种信息识别、分类、检测的方法，而近年来，伴随着我国计算机技术、网络技术的发展，“智慧城市”的建设进程不断加快，我国计算机领域也得到了快速的发展，现阶段，在我国计算机领域中，目标跟踪任务已经成为了重要领域，其在民用、军用等方面具备十分重要的应用价值，而基于孪生网络的深度学习目标跟踪算法能够利用构建相关神经网络模型帮助精准定位目标并实现实时跟踪目标，实现深度学习目标跟踪的进一步优化。

一、孪生网络

孪生网络又称为双通道网络，其是一种神经网络，其最大的优势便在于能够很好的处理相似信息较多的文本信息或图形信息。在进行数据处理的过程中，孪生网络可降低相关数据信息的维度，通过降低维度来衡量两个样本的相似性，从而跟进一步提升数据信息分析的准确定。孪生网络中主要包括计算机视觉与自然语言处理的神经网络，其存在两个分支结构，且这两个分支结构与参数均相同，利用这两个分支结构分别对样本信息进行分析，从而挖掘两个样本类属性关系。

总体而言，孪生网络的构架基础便是卷积神经网络，卷积神经网络是生物学家通过对猫视网膜的研究而提出的，当视网膜某一区域接收到光学信号后，会在该区域内朝着特定的方向做出传输反应，从而促使信号迅速的被传递，再经过脑部视觉信息处理后，形成图像。卷积神经网络的建模主要是模仿动物视网膜传输视觉信号的过程，并将视觉信号传递给下一个层次结构组织的神经网络，并在深度学习网络中进行视觉信息的处理，从而使得网络预测的图像类别与真实标签更加接近[1]。

二、深度学习目标跟踪算法

（一）深度学习

深度学习即是指模仿人类神经系统构建包含多层隐藏层的网络模型，深度学习在我国各个领域均具有较强的应用价值，其是一种人工智能技术的产物，是融合了生物学、计算机学等诸多学科的先进技术，其能够实现模仿人类视觉接收来获取相关数据信息，并对信息进行识别、检测与分类。深度学习主要是利用计算机技术及信息技术构建一个深度学习网络模型，在模型构建的过程中，需要计算大量的数据参数为模型构建奠定基础，同时，在模型使用的过程中，也需要不断对模型参数进行优化，确保模型的适用性，从而促使模型能够良好的发挥其功能与价值。

深度学习主要依托于深度学习网络来完成工作目标，在深度学习网络中，主要包含卷积神经网络、深度信念网络、循环神经网络及生成对抗网络，其中，卷积神经网络是深度学习网络的基础部分，深度学习网络模型的相关参数均是利用卷积神经网络来获取的。卷积神经网络主要是根据动物视网膜接收视觉信息的神经系统为参考依据，模仿动物在进行视觉信息接收时视觉信息的传递流程及处理流程，并将其利用于模型的构建中，从而实现良好的对图形进行检查、分类与识别的功能[2]。

（二）目标跟踪算法

目标跟踪算法是指选定目标图像并在后续视频序列内确定目标的位置与尺寸信息从而达到对目标持续跟踪的效果。

首先，目标跟踪算法具备任意性的特点，在确定跟踪目标，可选择任意类型、任意属性的目标，并无跟踪目标的限制条件，通常情况下，相关工作人员会选择视频第一帧边界处出现的目标。

其次，目標跟踪算法具备单样本的特点，单样本即是指单样本学习，是指所选定的目标并未有固定的模型，是有且仅有给定的视频第一帧目标图像。

再者，目标跟踪算法具备准确率高、实时性佳的特点，利用目标跟踪算法确定的测量值与真实值基本相符，且视频中的每一面时间均可处理为帧数，故其具有较强的实时性。

最后，目标跟踪算法具备单目标跟踪的特点，单目标既是指在利用目标跟踪算法跟踪目标时有且仅有一个目标。

三、将孪生网络应用于深度学习目标跟踪算法中的有效途径

（一）全卷积孪生网络结构的构建

在深度学习目标跟踪算法中应用孪生网络，主要是构建全卷积孪生网络模型，这是由于在全卷积孪生网络模型中，可利用孪生神经网络的处理相似学习问题的优势，对两个或多个相同参数、权重的网络进行构建网络结构。且通过上文分析可知，深度学习需要不断更新并优化参数以提高网络的适用性，而全卷积网络结构便具备能够在两个子网上同步进行参数更新的优势，这对于提升数据分析的准确性是十分重要的[3]。在全卷积网络结构当中，两个子网的参数与权重是共享的，即当一个子网参数更新之后，另一个子网的相同参数也会随之更新，这不仅有利于简化数据分析流程，同时也能够提升全卷积孪生网络的实时性，且在样本较少的情况下，全卷积神经网络也能够实现对检测数据信息的精准分类。同时，全卷积神经网络能够将两个大小完全一致的图形作为输入，通过在两个大小完全相同图形中获取同一个目标，从而确定跟踪目标，在全卷积孪生网络模型构建完毕后利用全卷积孪生网络输入检测图像、视频时，能够允许输入比模板图像大的图形输入到结构当中，这就使得全卷积孪生网络具备良好的使用性能。

在构建全卷积孪生网络时，首先需要在模板图像中确定跟踪目标，设定一个函数f，比较模板图像X和候选图像Y的特征图相似度，将其输入卷积神经网络中，确定响应最大值对应目标的位置，利用模板图像和较大的候选图像对训练网络产生一个得分响应，定义得分响应的损失函数为每个损失的均值。将视频分割成多个帧，每秒为一帧，从视频中选取大量的特征图，并建立空间映射，确定各帧目标位置，选取属于正类的目标，从而获得最小损失函数。

（二）基于判别式相关滤波的孪生网络

基于判别式相关滤波的孪生网络具备能够实现反向传播的优势，在使用判别式相关滤波的孪生网络时，首先需要确定搜索图像与模板图像，随后将其输入网络当中，获得相应变化，确定目标位置中心，并在该目标位置中心中提取出搜索区域，通过离线训练得到卷积网络参数后，在线跟踪时凭借判别式相关滤波器模块来进行在线微调以保证跟踪的准确性，图1为判别式相关滤波孪生网络结构图。

四、将孪生网络应用于深度学习目标跟踪算法中的效果分析

（一）基准比较

在进行孪生网络在深度学习目标跟踪算法中的应用分析时，首先将全卷积孪生网络与判别式相关滤波的孪生网络进行对比分析，通过分析发现，随着网络深度的增加，全卷积孪生网络的进步并不如预想中的快，而使用判别式相关滤波的孪生网络在分析网络特征时具备较大的优势，故认为判别式相关滤波的孪生网络应用效果更好。

其次利用SRDCF算法，将判别式相关滤波的孪生网络部分改进移植到SRDCF算法中，学习率设为0.012，样本数量为50，模板以每6帧以此的频率更新，以期望平均重叠作为整体性能评估指标，训练集更新的改进相对增益为2.8%的性能，新的更新策略相对增益了5.9%的性能，最终相对增益为13%。

（二）OTB标准

以DCFSNN跟踪器为基准，以OTB2013标准，确定跟踪器OPE、TRE、SER的IoU的重叠率，比较结果如下表所示。

由OPE標准获得DCFSNN跟踪器的平均精度与成功率即准确性，得分最高的LCT较本跟踪器均有0.5%的性能优势，由SRE和TRE从空间和时间上评估DCFSNN跟踪器，得分最高的Staple分别有0.7%和2.4%的性能增益，综合来看，DCFSNN跟踪器效果最佳。

五、结束语

综上所述，本文主要研究的是孪生网络在深度学习目标跟踪算法中的应用，其应用方法主要包括两种，一种为构建全卷积孪生网络，而另一种判别式相关滤波的孪生网络。将孪生网络应用于深度学习目标跟踪算法当中，能够良好的处理视频、图像信息中的相似学习问题，实现对目标的实时跟踪，且精准度较高，跟踪速度较快，且利用判别式相关滤波的孪生网络还能够实现反向传播，促使目标底层特征信息表示得到进一步的优化。

作者单位：宋铮    天津讯飞信息科技有限公司

参  考  文  献

[1]方林凤，梁启丽，张旭东.孪生网络框架下融合显著性和干扰在线学习的航拍目标跟踪算法[J].电子与信息学报，2021，43（05）：1414-1423.

[2]杨嘉棋，魏宇星，张建林.基于特征融合与双模板嵌套更新的孪生网络跟踪算法[J].计算机工程，2021，47（07）：239-248.

[3]张龙信，肖满生，左国才.快速多域卷积神经网络和光流法融合的目标跟踪[J].计算机工程与科学，2020，42（12）：2217-2222.