控制与决策

作者：侯志强,杨晓麟,马素刚,王云龙,余旺盛,王昀琛

单位：西安邮电大学 计算机学院,西安 710121;西安邮电大学 陕西省网络数据分析与 智能处理重点实验室,西安 710121,,西安邮电大学 计算机学院,西安 710121;西安邮电大学 陕西省网络数据分析与 智能处理重点实验室,西安 710121,,西安邮电大学 计算机学院,西安 710121;西安邮电大学 陕西省网络数据分析与 智能处理重点实验室,西安 710121,,西安邮电大学 计算机学院,西安 710121;西安邮电大学 陕西省网络数据分析与 智能处理重点实验室,西安 710121,,空军工程大学 信息与导航学院,西安 710100,,西安邮电大学 计算机学院,西安 710121;西安邮电大学 陕西省网络数据分析与 智能处理重点实验室,西安 710121,

关键词：计算机视觉;视觉跟踪;深度学习;注意力机制;历史帧选择;Transformer

基金：国家自然科学基金项目(62072370)；陕西省自然科学基金项目(2023-JC-YB-598).

为进一步提升跟踪算法在历史帧信息利用和目标特征表达方面的性能,提出基于特征增强和历史帧选择的Transformer视觉跟踪算法(feature enhancement and history frame selection based Transformer visual tracking,FEHST).首先,在骨干网络中引入动态预测模块,通过稀疏化策略提高自注意力机制的计算效率,聚焦目标区域特征;其次,提出特征增强模块,将局部信息与全局信息的优势相结合,提升特征的表达能力;最后,采用自适应历史帧选择策略,提升跟踪器对目标动态信息的关注.在LaSOT、TrackingNet、GOT-10K和OTB100等数据集上进行了大量的实验,实验结果显示,在LaSOT、TrackingNet、OTB100上分别取得70.1%、83.0%和71.6%的成功率,在GOT-10K上取得71.4%的平均重叠度,并能以27FPS的速度运行.

来源：2024年第10期

《控制与决策》期刊编辑部

查看控制与决策杂志2024年第10期