论文研究 使用压缩测量的基于深度学习的红外视频目标跟踪和分类

尽管压缩测量节省了数据存储和带宽使用量，但是如果不进行像素重建，则很难将其直接用于目标跟踪和分类。 这是因为高斯随机矩阵破坏了原始视频帧中的目标位置信息。 本文总结了我们直接在压缩测量领域进行目标跟踪和分类的研究成果。 我们专注于使用像素二次采样的一种特定类型的压缩测量。 即，视频帧中的原始像素被随机地二次采样。 即使在这种特殊的压缩感测设置中，常规跟踪器也无法令人满意地工作。 我们提出了一种深度学习方法，该方法将YOLO（只看一次）和ResNet（残差网络）集成在一起，以进行多个目标跟踪和分类。 YOLO用于多个目标跟踪，而ResNet用于目标分类。 使用短波红外（SWIR），中波红外（MW