买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明提供一种面向实际应用的高效轻量化目标跟踪方法，属于深度学习、计算机视觉、目标跟踪领域。通过设计桥梁模块和双图像位置编码模块，嵌入到轻量化骨干网络中，实现高效轻量化追踪。本发明能够在多种设备上以极高的速度运行，并且获得了与大多数基于Transformer模型相当或更优的性能，有效的解决了现有的基于Transformer模型无法在实际场景中应用的问题，实现了在各种实际场景中鲁棒跟踪的目标。

主权项：1.一种面向实际应用的高效轻量化目标跟踪方法，其特征在于，步骤如下：步骤1：获取用于模型训练的数据；步骤2：搭建模型整体网络架构；具体为：模型整体网络架构是利用预训练好的轻量化Transformer网络LeViT作为主干网络，并将其适配到单流目标跟踪框架中搭建的；模型整体网络架构包括图像分块模块、分层骨干网络、桥梁模块以和预测头；模型的输入包括一个模板图像和一个搜索区域图像，二者构成图像对，其中，模板图像用于指示追踪目标，在搜索区域图像上定位目标；模型的处理过程为：首先，通过图像分块模块将图像对进行下采样；然后将下采样之后的图像对在空间维度上重塑并拼接，随后输入到后续的分层骨干网络中进行处理；分层骨干网络由三个阶段组成，每个阶段有4个模块；每个模块由一个多头注意力和一个残差形式的多层感知机组成；每两个阶段中间使用缩减注意力模块进行连接，缩减注意力模块对图像对进行下采样；分层骨干网络的每个阶段都会输出一个不同尺寸的特征图，不同尺寸的特征图用于桥梁模块进行多尺度特征融合得到多尺度特征图；再将多尺度特征图输入到预测头进行预测得到追踪结果；步骤3：模型训练；训练时的目标函数由L1损失函数和广义GIoU函数组成，具体如下所示： 这里代表真值，代表预测的值；，是超参数；和分别代表广义GIoU函数和L1损失函数；步骤4：模型部署推理；在模型训练完成后，将训练得到的Pytorch模型转换为ONNX模型，使用ONNX模型部署在各种设备上，以加快模型在各种设备上的运行速度；在推理的过程中，模板图像在视频序列的第一帧中进行初始化；对于后续的每一帧，搜索区域都会根据前一帧预测的目标边界框进行裁剪得到；整个模型都是端到端的，模板图像和搜索区域图像对被输入到模型中，输出就是最终结果。

全文数据：

权利要求：

百度查询： 大连理工大学 一种面向实际应用的高效轻量化目标跟踪方法