خوارزمية تتبع هدف واحد خفيفة الوزن تعتمد على رموز تلميح الهدف باستخدام Transformer
摘要
يتميز متتبع هيكل Transformer بقدرته الممتازة على النمذجة الشاملة، مما يجعله متفوقًا من حيث الدقة، ولكنه يواجه مشاكل مثل حجم النموذج الكبير وتأخير الحوسبة العالي. لمواجهة هذه المشكلة، يقترح هذا البحث طريقة تتبع هدف واحد خفيفة الوزن تعتمد على رموز تلميح الهدف تسمى TPTTrack. تقوم هذه الطريقة بإدخال رموز تلميح الهدف، وتدمجها مع قالب الهدف وميزات منطقة البحث في شبكة العمود الفقري Transformer خفيفة الوزن، مستفيدة من المعلومات الأولية للهدف لتوجيه التفاعل عبر المناطق وتحسين قوة التتبع. في الوقت نفسه، تكتمل عملية استخراج ودمج الميزات في الطبقة السطحية بواسطة آلية فك الترابط الانتباهية الطبقية، وتقلل من حسابات الانتباه الذاتي الزائدة في الطبقات العميقة لتقليل تكلفة الحوسبة. مع دمج وحدة توقع تسلسل الانحدار الخفيف، يتم تحقيق النمذجة الديناميكية وتقدير الحالة الهدف بكفاءة. أظهرت التجارب المقارنة على مجموعات بيانات GOT-10k وLaSOT أن TPTTrack يحسن متوسط التداخل في GOT-10k بنسبة 1.4% مقارنة بأفضل نموذج أساسي خفيف الوزن، وارتفع الدقة في LaSOT بنسبة 1.7%. في الوقت نفسه، يبلغ عدد المعلمات و FLOPs فقط 5.6M و 1.82G، مع سرعة استدلال على GPU و CPU تصل إلى 109.2 إطارًا في الثانية و 20.43 إطارًا في الثانية على التوالي، حيث تم تحسين سرعة CPU بنسبة 9.1% مقارنة بأفضل نموذج أساسي خفيف الوزن. بشكل عام، تُظهر هذه الطريقة أداءً ممتازًا من حيث الدقة والسرعة وسهولة النشر مقارنة بخوارزميات التتبع الخفيفة الحالية، وتوفر حلاً خفيف الوزن لمهام تتبع الهدف الفردي في بيئات ذات موارد محدودة.
关键词
تتبع هدف واحد;Transformer;نموذج خفيف الوزن;رموز تلميح الهدف;فك ترابط الانتباه الطبقي
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website