CN115861374B 一种基于条件化早退机制的动态推理路径目标跟踪方法 （大连理工大学）

YigitcanKayaetal.ShallowNetworks:UnderstandingandMitiYanBinetal.LightTrackLightweightNeuralNetworksforTrackingviaOne-ShotArch一种基于条件化早退机制的动态推理路径提供了一种基于条件化早退机制的动态推理路径目标跟踪方法。本发明的目标跟踪器使用MAE预训练的ViT结构作为特征提取主干，同时在不可以根据场景边缘设备的算力等条件灵活设置决策边界以满足实际应用中对算法性能和速度2Transformer的编码器层取自ViT模型，单个transfomer编码层主要由多头注意力模后乘以Value矩阵得到自注意力结果；多头注意力机制对上述求自注意力的过程拆分为12Transformer的编码器层提取模板区域和搜索区域(4.3)拼接的模板区域和搜索区域特征H0经过N次堆叠的transformer编码器层生成深3(5.3)此时，编码特征被送入IoU预测模块即IoU得分预测头进行当前节点IoU得分预测，预测所得到的IoU得分将作为是否选择早退的判断条件；IoU得分预测头由一个3层的(6.1)在步骤(5.3)中所得到的IoU评分score与动态网络设置IoU阈值τ进行对比，如角点预测头由4个RepVGG块和一层3x3的卷积层组成，特征维度从256维依次映射到4运动状态等行为理解，支撑更多高级任务的完成。Siamese系列跟踪算法引发了较多的关注，其中由Luca等人提出的SiamFC跟踪器(Fully_ConvolutionalSiameseNetworksfor式是在主干网络中引入级联的中间状态分类器。例如，为了节省计算量，Xin等人开发出SkipNet(Skipnet:Learningdynamicroutinginconvolutionalnetworks)，其在ResNet的基础上探索根据输入样本的不同有选择性地跳过一些残差模块用于图像分类。Andreas等人提出了ConvNet_AIG(Convolutionalnetworkswithadaptiveinference[0004]本发明旨在提供一种高效高性能的基于条件化早退机制的动态推理路径目标跟5本发明所述方法可部署在各种实际应用平台如监控设备或无人机机载控制端充当视觉模心位置即为初始帧指定的目标中心位置)，搜索区域的尺度为γsea倍的上一帧目标尺度的[0019](4.3)拼接的模板和搜索区特征H经过了N次堆叠的transformer编码器层生成了6[0023](5.2)编码特征经过层归一化，并送入一个将256维输入映射到512维，中间层维持512维不变，第三层将512维特征序列映射到1维的[0033](1)目标跟踪器特征提取主干根据场景边缘设备的算力等条件灵活设置决策边界以满足实际应用中对算法性能和速度7编码一起拼接组成向后传播的特征编码序列；之后经过三组共12层的transformer编码层提取深度特征，其中每层transformer由多头注意力模块(MSA),层归一化(LN),前馈网络络中，边界框预测网络差生两张角点预测图，根据最高响应得到目标的左上和右下角点，IoU预测网络输入当前帧的目标预测