.png){kind=icon}
返回
Selective Cyclic-Shifted Window-Based Accelerated Transformer Network for Object Tracking
.png){kind=icon}
PRE
AI
DOI：10.1016/j.dsp.2025.105514.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
Transformer网络因其卓越的长距离依赖建模能力而吸引了显著的学术关注，使其在视频目标跟踪应用中表现出色。然而，现有的基于Transformer的跟踪器在处理尺度变化、复杂背景变换和遮挡方面仍存在局限性，这主要归因于对目标时空特征信息的利用不足。具体而言，这些跟踪器在保持目标语义完整性、充分感知关键区域和整合历史信息方面面临挑战。为应对这些挑战，本文引入了多项改进措施。首先，用多尺度循环移位窗口注意力机制替换像素级注意力机制，以保持目标语义完整性并提升模型捕捉尺度变化的能力。随后，应用卷积定理将循环移位空间样本的注意力计算转化为非循环移位样本在频域中的逐元素乘法，从而提高计算效率。此外，提出了一种选择性消除模块，用于聚焦与搜索帧中相似的关键区域，有效减少背景干扰。最后，头部网络评估候选目标的可靠性，并将可靠的样本重新整合为动态模板纳入跟踪网络，以充分利用历史帧的时空信息。广泛的对比实验表明，所提出的模型在多个公开数据集上优于当前的最先进跟踪器。
Keyword:
Transformer
video object tracking
spatio-temporal features
attention mechanism
occlusion handling
期刊
IF:
3.6
论文数:
10.0K
被引数:
1.7W
机构
引用论文
暂无论文信息