原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
小型微型计算机系统2025年1月第1期
DOI:10.20009/ki.21-1106/TP.2023-0432
JournalofChineseComputerSystemsVol.46No.12025
一种基于特征融合的Transformer目标跟踪算法
管旭，胡春燕，李菲菲
（上海理工大学光电信息与计算机工程学院，上海200093）
E-mail:guanx163.com
摘要：近年来,基于深度学习的目标跟踪网络取得了显著的进展.这些网络主要采用两种类型的框架：双流双阶段框架和单
流单阶段框架.然而，前者忽视了在特征提取过程中的信息交互，后者则受限于骨干网络自身的局限性.因此，本文采用独立骨
干网络来直接构建跟踪器，并设计了一种轻量化的多尺度特征融合架构，以较低的计算成本增强了网络对多尺度信息的感知能
力；同时，引入递归门控卷积作为特征学习单元，以自适应高阶空间交互实现了网络对特征的深层挖掘；此外，本文使用Drop-
MAE预训练模型来进行网络初始化，以提升网络的泛化能力.实验结果表明，所提出的目标跟踪网络在多个大型跟踪数据集基
准上都表现出优异的性能，并能以78.4FPS的速度进行实时跟踪.
关键词：视觉目标跟踪；单流单阶段框架；多尺度特征融合；递归门控卷积；网络初始化
中图分类号：TP391文献标识码：A文章编号：1000-1220(2025)01-0173-08
Transformer-basedObjectTrackingAlgorithmwithFeatureFusion
GUANXu,HUChunyan,LIFeifei
(SchoolofOptical-ElectricalandComputerEngineering,UniversityofShanghaiforScienceandTechnology,Shanghai200093,China)
Abstract:Inrecentyears,objecttrackingnetworksbasedondeeplearninghavemadesignificantadvancements.Thesenetworksprima-
rilyemploytwotypesofframeworks:thedual-streamdual-stageframeworkandthesingle-streamsingle-stageframework.However,
theformeroverlooksinformationinteractionduringthefeatureextractionprocess,whilethelatterinheritslimitationsfromtheback-
bonenetworkitself.Therefore,thispaperutilizesanindependentbackbonenetworktodirectlyconstructthetrackeranddesignsalight-
weightmulti-scalefeaturefusionarchitecturetoenhancethenetworksabilitytoperceivemulti-scaleinformationwithlowercomputa-
tionaloverhead.Italsoincorporatestherecursivegatedconvolutionasfeaturelearningunitstoenabledeepfeatureminingthrougha-
daptivehigh-orderspatialinteractions.Additionally,thispaperutilizestheDropMAEpre-trainedmodelfornetworkinitialization
文档评论（0）