.png){kind=icon}
返回
Hierarchical surrogate-based frame skip optimization for multi-object tracking
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ins.2026.123610.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多目标跟踪（MOT）通常需要在每一帧上执行计算密集型检测模型，给实时性和资源受限环境带来显著挑战。为解决此问题，我们提出了一种层次化基于代理模型的帧跳过优化（HSFSO）框架，以自适应地降低检测频率，同时保持跟踪精度与计算效率之间的良好权衡。HSFSO包含两个阶段：（1）帧跳过比例优化，根据图像特征确定全局合适的跳过比例；（2）基于运动的帧选择，利用光流在帧级别细化决策。我们将HSFSO与ByteTrack结合，采用轻量级YOLOv8-small检测器，针对资源受限部署场景。此外，基于多层感知器（MLP）的代理模型实时预测跟踪精度，实现无需昂贵在线评估的动态跳过比例自适应。在MOT17和MOT20上的实验表明，HSFSO在超越现有帧跳过基准的同时保持了实用的吞吐量提升。在MOT17上，HSFSO在a=0.15时达到MOTA 0.5358，消融研究证实了两个层次化阶段的互补作用。这些发现表明，层次化、数据驱动的帧跳过是提高资源受限MOT场景效率的有前景方法。
Keyword:
Multi-object tracking
Frame skipping optimization
Hierarchical learning
Video processing
Optical flow analysis
Computational efficiency
期刊
IF:
6.8
论文数:
553
被引数:
6.2W
机构
引用论文
An algorithm based on lightweight semantic features for ancient mural element object detection基于轻量级语义特征的古代壁画元素目标检测算法.png)
OAAI
IF0
OAAI分享收藏Skip Decision and Reference Frame Selection for Low-Complexity H.264/AVC Surveillance Video Coding
PREAI
分享收藏
查看更多内容