基于注意力機(jī)制的無錨點跟蹤算法

陶祥明

（北方工業(yè)大學(xué)電氣與控制工程學(xué)院，北京 100144）

0 引言

單目標(biāo)跟蹤任務(wù)是根據(jù)第一幀跟蹤目標(biāo)位置信息，確定初始化跟蹤框，再通過跟蹤網(wǎng)絡(luò)，將第一幀作為模板區(qū)域，后續(xù)幀作為搜索區(qū)域，搜索目標(biāo)位置，返回目標(biāo)邊界框信息，進(jìn)行目標(biāo)跟蹤。

從發(fā)展階段看，視覺跟蹤算法可分為傳統(tǒng)視覺跟蹤算法、基于相關(guān)濾波的視覺跟蹤算法和基于機(jī)器學(xué)習(xí)的視覺跟蹤算法3 個階段。最初的傳統(tǒng)視覺跟蹤算法是人為在第一幀中找出跟蹤目標(biāo)特征，在后續(xù)幀中根據(jù)人為選擇的特征確定目標(biāo)位置和邊界框信息。

基于相關(guān)濾波的視覺跟蹤算法，源于信號處理相關(guān)操作，使用濾波器在第一幀中提取目標(biāo)信息，通過快速傅立葉變換完成濾波器訓(xùn)練，利用濾波器完成目標(biāo)區(qū)域和搜索區(qū)域相關(guān)操作的響應(yīng)值計算，將最大輸出響應(yīng)位置作為目標(biāo)位置預(yù)測。

MOSSE［1］算法是第一個采用相關(guān)濾波的跟蹤算法，運行速度較同期算法優(yōu)勢明顯。CSK 算法［2］發(fā)現(xiàn)樣本集具有循環(huán)矩陣的結(jié)構(gòu)特征并引入了核的概念，KCF 算法［3］用方向梯度直方圖代替灰度特征，CN 算法［4］拓展了多通道顏色特征，這類算法通過改變特征提取方式，提高跟蹤準(zhǔn)確性。DSST 算法［5］在KCF 的基礎(chǔ)上，引入多特征融合并通過尺度變化濾波器找到候選區(qū)域，再通過濾波器確定目標(biāo)中心位置，找到最佳匹配尺度。

這類基于相關(guān)濾波的算法運行速度快，且在不斷優(yōu)化特征提取方式后，跟蹤準(zhǔn)確性得到一定提升，但當(dāng)目標(biāo)出現(xiàn)連續(xù)形態(tài)變化時，由于算法每幀都會更新濾波器，導(dǎo)致算法易受到背景干擾，影響跟蹤效果。

隨著人工智能特別是機(jī)器學(xué)習(xí)的發(fā)展，單目標(biāo)跟蹤算法也進(jìn)行了更新和迭代?；跈C(jī)器學(xué)習(xí)的視覺跟蹤網(wǎng)絡(luò)，在完成離線訓(xùn)練后，跟蹤過程中需要對模型參數(shù)進(jìn)行在線微調(diào)，對設(shè)備計算能力要求較高，因而無法實時跟蹤。

SINT［6］和Siam FC［7］提出的孿生網(wǎng)絡(luò)，將視頻第一幀和后續(xù)幀同時進(jìn)入共享結(jié)構(gòu)和權(quán)值的子網(wǎng)絡(luò)，進(jìn)行匹配得出特征圖，完成目標(biāo)邊界框預(yù)測?；诤啙嵉膶\生網(wǎng)絡(luò)結(jié)構(gòu)，在保持跟蹤精度和成功率的同時，使得跟蹤算法在速度上，相較于需在線微調(diào)參數(shù)的其他基于機(jī)器學(xué)習(xí)的跟蹤算法優(yōu)勢明顯。

后續(xù)Siam RPN［8］和Siam RPN++［9］等基于錨點的孿生網(wǎng)絡(luò)算法［10］，由孿生網(wǎng)絡(luò)和候選區(qū)域生成網(wǎng)絡(luò)兩部分構(gòu)成。孿生網(wǎng)絡(luò)模塊負(fù)責(zé)提取特征信息，候選區(qū)域生成網(wǎng)絡(luò)用于生成可能的目標(biāo)區(qū)域，兩條支路將相關(guān)操作后的結(jié)果分別用于分類和回歸操作。候選區(qū)域生成網(wǎng)絡(luò)將特征圖上的各點當(dāng)作錨點，選取錨點周圍多個尺度不同的錨框進(jìn)行檢測，查看后續(xù)幀是否存在目標(biāo)以及完成對于目標(biāo)邊界框信息的回歸。

基于錨點的孿生網(wǎng)絡(luò)算法在訓(xùn)練模型之前，需要對錨框尺寸和長寬比進(jìn)行超參數(shù)設(shè)計。這類參數(shù)需要根據(jù)實際情況進(jìn)行針對性選擇，泛化能力較差。同時，為了盡可能地回歸準(zhǔn)確的目標(biāo)邊界框信息，需要預(yù)設(shè)多種尺寸的錨框進(jìn)行匹配，增加了網(wǎng)絡(luò)訓(xùn)練和跟蹤復(fù)雜度，會造成大量負(fù)樣本，從而導(dǎo)致正負(fù)樣本不匹配問題。

為了改進(jìn)基于錨點的孿生網(wǎng)絡(luò)跟蹤算法的不足，本文在基于錨點的孿生網(wǎng)絡(luò)跟蹤算法基礎(chǔ)上，參考Siam CAR［11］、Siam BAN［12］、Siam FC++［13］和Ocean［14-15］等提出基于無錨點的改進(jìn)模型［16］。在回歸方式上，不依賴于候選區(qū)域生成網(wǎng)絡(luò)提前生成的不同尺寸候選區(qū)域，而是直接將經(jīng)過特征提取網(wǎng)絡(luò)和匹配網(wǎng)絡(luò)得到的特征圖，進(jìn)入?yún)^(qū)分前景和背景的分類分支、中心點位置和邊框位置的回歸分支。

Siam FC 和Siam RPN++等基于孿生網(wǎng)絡(luò)的跟蹤算法，通過將模板圖像和搜索圖像進(jìn)行相關(guān)操作以提取特征，形成特征圖后，再進(jìn)行分類和回歸計算。Siam FC 提出的基礎(chǔ)相關(guān)操作，是用模板特征與搜索特征進(jìn)行卷積，得到通道為1 的特征圖，Siam RPN++等網(wǎng)絡(luò)在此基礎(chǔ)上，使用多通道的相關(guān)操作方法，得到多通道的特征圖。本文在此基礎(chǔ)上，參考HiFT［17］和DSA［18］等網(wǎng)絡(luò)［19-23］，將注意力機(jī)制［24］與傳統(tǒng)相關(guān)操作相結(jié)合，進(jìn)行特征匹配，增加網(wǎng)絡(luò)各層次之間的聯(lián)系，更好地兼顧全局的特征信息。

基于無錨點分支和注意力機(jī)制的變換網(wǎng)絡(luò)方法的引入，使得本文提出的基于孿生網(wǎng)絡(luò)的單目標(biāo)跟蹤算法在常見目標(biāo)跟蹤測試數(shù)據(jù)集上，相較于未采用該方法的孿生網(wǎng)絡(luò)，在成功率和精度上具有一定優(yōu)勢。

1 基于注意力和無錨點的孿生網(wǎng)絡(luò)

1.1 網(wǎng)絡(luò)結(jié)構(gòu)

基于錨點的孿生網(wǎng)絡(luò)雖然在成功率上表現(xiàn)良好，但是對于物體形態(tài)發(fā)生較大幅度改變，或本身的邊界框與預(yù)先設(shè)定的錨框比例差距較大時，網(wǎng)絡(luò)的跟蹤精度不高。算法對于錨框尺寸、比例和數(shù)目也有很強(qiáng)的依賴性，訓(xùn)練和測試過程都需要對超參數(shù)進(jìn)行細(xì)致的調(diào)節(jié)，使得其泛化能力不強(qiáng)。同時，為了較好地完成目標(biāo)預(yù)測，需要使用大量的錨框進(jìn)行檢測，導(dǎo)致負(fù)樣本與正樣本數(shù)量不均衡，影響訓(xùn)練和測試結(jié)果，也增加了網(wǎng)絡(luò)復(fù)雜程度，影響運行效率。

傳統(tǒng)的孿生網(wǎng)絡(luò)跟蹤算法，通常只使用相關(guān)操作擬合特征，并根據(jù)生成的特征圖完成跟蹤任務(wù)。相關(guān)實驗表明，這類跟蹤網(wǎng)絡(luò)往往無法關(guān)注到全局狀態(tài)。

為了改進(jìn)上述基于孿生網(wǎng)絡(luò)視覺跟蹤算法的不足，本文提出了基于注意力和無錨點的孿生網(wǎng)絡(luò)，模型可分為特征提取網(wǎng)絡(luò)、特征匹配相關(guān)和分類回歸3 個部分，如圖1所示。

Fig.1 Attention and anchor-free siamese network圖1 基于注意力和無錨點的孿生網(wǎng)絡(luò)

特征提取網(wǎng)絡(luò)部分，采用共享權(quán)重和結(jié)構(gòu)的ResNet 50［25］構(gòu)成的孿生網(wǎng)絡(luò)。相較于同樣采用無錨點設(shè)計的Siam FC++的特征提取網(wǎng)絡(luò)，其提取能力更高。主要使用后3 層的卷積層對模板區(qū)域和搜索區(qū)域進(jìn)行特征提取，模板區(qū)域和后續(xù)幀的搜索區(qū)域圖像大小分別設(shè)置為127 x 127和255 x 255，均為3通道的彩色圖像。

模板區(qū)域和搜索區(qū)域分別通過孿生網(wǎng)絡(luò)生成對應(yīng)的特征圖，由于跟蹤任務(wù)每幀之間物體運動尺度變化往往不大，因此需要將特征提取的卷積神經(jīng)網(wǎng)絡(luò)的步長進(jìn)行調(diào)整，將最后2 層中的步長改為1，避免由于過大的步長，無法關(guān)注到物體細(xì)小的移動或形態(tài)變化。參照Siam RPN++網(wǎng)絡(luò)，將原始ResNet 50 網(wǎng)絡(luò)中的卷積方式改為空洞卷積，在減少步長的同時保留較大的感受野。

1.2 基于注意力機(jī)制的特征融合網(wǎng)絡(luò)

特征匹配相關(guān)部分，分別選擇修改后ResNet 50 網(wǎng)絡(luò)的第3、4 和5 層卷積層作為特征層，使用1 x 1 卷積將他們的通道數(shù)調(diào)整至192。將3 個特征層的模板分支和搜索分支分別進(jìn)行3 次通道維度上的相關(guān)操作，不同于Siam CAR和Siam BAN 直接將3 組特征圖進(jìn)行融合，也區(qū)別于Ocean和TransT 只使用注意力機(jī)制作為圖像匹配方式，本文將3組分別相關(guān)操作后的特征圖，作為輸入送入基于注意力機(jī)制的視覺變換網(wǎng)絡(luò)模塊，提高網(wǎng)絡(luò)對于全局范圍的搜索能力，可以兼顧相關(guān)操作和注意力機(jī)制對于特征匹配的優(yōu)勢，提高網(wǎng)絡(luò)在復(fù)雜場景中跟蹤的成功率和準(zhǔn)確性，如式（1）所示。

基于注意力機(jī)制的視覺變換方法主要參考了HiFT 算法，網(wǎng)絡(luò)包含高分辨率特征圖編碼和低分辨率特征圖解碼兩部分操作，參考視覺變換的網(wǎng)絡(luò)設(shè)計［24］，編碼部分將第3 層和第4 層特征圖增加位置編碼，將兩者相加后，再經(jīng)過歸一化操作與第3 層一起，作為多頭注意力機(jī)制的輸入層。將帶有位置編碼的第3 層與多頭注意力機(jī)制后的內(nèi)容相加，再與帶有位置編碼信息的第4 層進(jìn)行拼接、神經(jīng)網(wǎng)絡(luò)和全局池化等操作。將此結(jié)構(gòu)重復(fù)6 次，完成對高分辨率特征圖的編碼過程。

解碼部分與標(biāo)準(zhǔn)的視覺變換網(wǎng)絡(luò)類似，使用第5 層卷積后得到的特征圖作為解碼部分的輸入，與來自低分辨率的特征信息共同作為多頭注意力機(jī)制的輸入層，再經(jīng)過神經(jīng)網(wǎng)絡(luò)和相加的殘差結(jié)構(gòu)，最終得到融合高分辨率和低分辨率特征圖的特征信息完成輸出，如圖2所示。

Fig.2 Feature encoder and decoder network圖2 特征編碼和解碼網(wǎng)絡(luò)

1.3 基于無錨點的邊界框回歸網(wǎng)絡(luò)

分類回歸部分，分別將相關(guān)和變換操作后的特征圖，連接4 層可訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征增強(qiáng)，再連接分類、中心點估計和回歸3 個分支完成網(wǎng)絡(luò)對于目標(biāo)前景背景、中心點位置和距離中心點4 個邊界框的預(yù)測任務(wù)。模型損失函數(shù)由分類損失、中心點置信度損失和邊界框重合度損失組成，如式（2）所示。其中，Lcls表示分類損失，Lcen表示中心點置信度損失，Lreg表示邊界框重合度損失。3 種損失函數(shù)可根據(jù)情況按照不同的權(quán)重進(jìn)行加權(quán)求和，本文采用的比例是1∶1∶3。

區(qū)分前景和背景部分的損失函數(shù)采用二分類的交叉熵?fù)p失，區(qū)別于Ocean 和Siam BAN 損失函數(shù)只包含分類和回歸的分支，該算法參考目標(biāo)檢測中FCOS 模型的中心置信度損失，通過中心點距離4 個邊界框上下和左右的最大值和最小值反映出所選位置是否接近目標(biāo)的中心位置，如式（3）所示。其中，l*、r*、t*和b*表示特征距離左、右、上、下的距離，使模型可更多關(guān)注中心位置接近真實中心的邊界框，對于遠(yuǎn)離中心位置的邊界框作出一定懲罰，使得最終預(yù)測結(jié)果盡可能接近真實情況。

邊界框回歸損失則是將預(yù)測的偏差坐標(biāo)轉(zhuǎn)換成預(yù)測框，比較預(yù)測框和真實框的重合度，通過式（4）計算損失值，具有一定的非線性。在訓(xùn)練過程中，隨著損失函數(shù)值的降低，使得預(yù)測框逐漸接近目標(biāo)的真實框。

網(wǎng)絡(luò)訓(xùn)練過程如下：首先載入視頻，根據(jù)第一幀確定要跟蹤的目標(biāo)區(qū)域，將模版分支輸入到特征提取網(wǎng)絡(luò)，將ResNet 50 第3、4 和5 層融合結(jié)果作為輸出，搜索模版同樣進(jìn)入共享權(quán)重和結(jié)構(gòu)的特征提取網(wǎng)絡(luò)。將搜索分支和模版分支的輸出結(jié)果進(jìn)行特征匹配操作，得到用于進(jìn)入分類回歸部分的特征圖，再通過分類、中心置信度和邊界回歸分支計算損失值，通過梯度下降方式，不斷修改網(wǎng)絡(luò)權(quán)重，逐漸擬合模型并完成訓(xùn)練。

2 實驗結(jié)果分析

2.1 實驗環(huán)境及算法參數(shù)配置

對基于無錨點和注意力的孿生視覺跟蹤網(wǎng)絡(luò)進(jìn)行相關(guān)實驗，在如表1所示硬件和軟件開發(fā)環(huán)境下進(jìn)行。

Table 1 Experimental hardware and software environment表1 實驗硬件及軟件環(huán)境

本文算法搭建的網(wǎng)絡(luò)在目標(biāo)跟蹤數(shù)據(jù)集ILSVRC VID、ILSVRC DET、COCO、YOUTUBEBB、LaSOT 和GOT-10k 上進(jìn)行訓(xùn)練。使用PySOT 工具箱，對數(shù)據(jù)集進(jìn)行裁剪和預(yù)處理。

訓(xùn)練過程中，每輪選擇600 000 個視頻幀進(jìn)行訓(xùn)練，批處理大小設(shè)置為32，初始學(xué)習(xí)率為0.005，結(jié)束學(xué)習(xí)率為0.000 5，前5 輪為預(yù)熱訓(xùn)練，初始學(xué)習(xí)率為0.001，結(jié)束學(xué)習(xí)率為0.005，總共進(jìn)行20 輪次的迭代訓(xùn)練。訓(xùn)練開始時，凍結(jié)特征提取網(wǎng)絡(luò)ResNet 50 的模型參數(shù)，10 輪后解凍特征提取網(wǎng)絡(luò)的第2、3和4層參與訓(xùn)練。

2.2 實驗結(jié)果分析

為檢測基于無錨點和注意力的孿生視覺跟蹤網(wǎng)絡(luò)的有效性，選擇OTB100、VOT2019、UAV123 和GOT-10K 等目標(biāo)跟蹤測試數(shù)據(jù)集進(jìn)行單目標(biāo)跟蹤測試。

2.2.1 定性分析

在OTB100 數(shù)據(jù)集上，圖3 展示了本文算法與Siam FC、Siam RPN 和Siam FC++算法的部分跟蹤情況（藍(lán)色—Siam FC++；綠色—Siam RPN；黑色—Siam FC；紅色—Ours，彩圖掃OSID 碼可見）。

在Basketball 場景中，當(dāng)目標(biāo)出現(xiàn)遮擋和背景存在干擾情況時，其余3 個算法均出現(xiàn)了丟失目標(biāo)或跟錯目標(biāo)的情況。本文算法可以比較準(zhǔn)確地預(yù)測目標(biāo)的邊界框信息，表明在復(fù)雜場景下，其相較于其他算法魯棒性更好。

在BlurOwl 場景下，鏡頭出現(xiàn)劇烈和快速晃動，模擬當(dāng)目標(biāo)出現(xiàn)快速移動和運動模糊的情況，Siam FC++和Siam RPN 算法出現(xiàn)了丟失目標(biāo)的狀況，可見本文算法在目標(biāo)出現(xiàn)快速位置變化時，跟蹤的魯棒性體現(xiàn)較好。

在Bolt2 場景中，當(dāng)目標(biāo)出現(xiàn)快速移動和與背景出現(xiàn)重疊和遮擋時，其余3 個算法出現(xiàn)了丟失目標(biāo)和跟錯目標(biāo)的情況，可見本文算法在復(fù)雜背景中跟蹤成功率和準(zhǔn)確性表現(xiàn)較好。

2.2.2 定量分析

在OTB100 和UAV123 數(shù)據(jù)集上，使用精確度Precision和成功率Success 作為網(wǎng)絡(luò)跟蹤能力評價指標(biāo)。其中，精確度Precision 根據(jù)預(yù)測目標(biāo)邊界框的中心點和真實目標(biāo)中心點的距離賦予不同的閾值；成功率Success 可反映預(yù)測目標(biāo)邊界框與真實目標(biāo)邊界框的重合程度，通過交并比得到成功率曲線；AUC 表示該成功率曲線面積，數(shù)值越大說明算法跟蹤成功率越好。

在OTB100 數(shù)據(jù)集上，相較其他基于孿生網(wǎng)絡(luò)的目標(biāo)跟蹤算法Siam FC、Siam RPN、DaSiam RPN 和Siam FC++（AlexNet）在AUC 上有一定提升，其中相較于Siam FC 有9.1%的提升，而對比同樣使用無錨點網(wǎng)絡(luò)的Siam FC++（AlexNet）也有1.7%的提升，如表2所示。

在GOT-10k 數(shù)據(jù)集上，采用平均重合度AO 和成功率SR 作為網(wǎng)絡(luò)跟蹤能力評價指標(biāo)。其中，AO 體現(xiàn)預(yù)測目標(biāo)邊界框和真實目標(biāo)邊界框的一致程度，SR 指在一定AO 閾值下成功跟蹤的準(zhǔn)確度，選用0.5 和0.75 兩個閾值進(jìn)行評價。

Table 2 Experimental results of the proposed algorithm and other algorithms on the OTB100 dataset表2 本文算法與其他算法在OTB100數(shù)據(jù)集上的實驗結(jié)果

在GOT-10k 數(shù)據(jù)集上，遵循該測試集要求，僅使用GOT-10k 提供的訓(xùn)練集，每輪使用100 000 個視頻幀，共進(jìn)行20 輪訓(xùn)練。相較于采用有錨點的孿生網(wǎng)絡(luò)Siam FC、Siam RPN 和Siam RPN++具備一定優(yōu)勢。其中，相較于Siam FC 在AO 上有14.7%的提升，相較于Siam RPN 有3.8%的提升，如表3所示。

Table 3 Experimental results of the proposed algorithm and other algorithms on the GOT-10k dataset表3 本文算法與其他算法在GOT-10k數(shù)據(jù)集上的實驗結(jié)果

在UAV123 數(shù)據(jù)集上，相較于主流孿生網(wǎng)絡(luò)算法Siam FC、Siam RPN++和DaSiamRPN［26］優(yōu)勢明顯。其中，在成功率上相較于Siam FC 有12.7%的提升。在準(zhǔn)確性相較于同樣采用ResNet 50 特征提取網(wǎng)絡(luò)的Siam RPN++有4.6%的提升，與同樣采用無錨點算法的Siam CAR 有3.8%的提升，與同樣采用變換網(wǎng)絡(luò)方法的HiFT 在成功率上有1.2%的提升，如表4所示。

Table 4 Experimental results of the proposed algorithm and other algorithms on the UAV123 dataset表4 本文算法與其他算法在UAV123數(shù)據(jù)集的實驗結(jié)果

2.2.3 消融實驗

在UAV123 和VOT2019 數(shù)據(jù)集上進(jìn)行了算法各模塊的消融實驗。使用與本文算法相同的訓(xùn)練數(shù)據(jù)集和訓(xùn)練輪次，對比本文算法與取消了ResNet 50 融合層、取消變換網(wǎng)絡(luò)和取消無錨點分支的3 個算法進(jìn)行測試，證明了各模塊的有效性，結(jié)果如表5。

Table 5 Experimental results of the proposedalgorithm and other algorithms on the UAV123 and VOT2019 dataset表5 本文算法與其他算法在UAV123和VOT2019數(shù)據(jù)集的實驗結(jié)果

在UAV123 數(shù)據(jù)集上，使用AlexNet［27］代替ResNet 使得精度下降3.5%，成功率下降2%；使用有錨點和相關(guān)操作網(wǎng)絡(luò)代替無錨點和變換網(wǎng)絡(luò)網(wǎng)絡(luò)使得精度下降0.5%，成功率下降1.3%；使用傳統(tǒng)相關(guān)操作代替相關(guān)與變換網(wǎng)絡(luò)結(jié)合使得精度下降2.8%，成功率下降2.4%。

在VOT2019 數(shù)據(jù)集上，使用AlexNet 代替ResNet 使得EAO 下降0.7%，使用有錨點網(wǎng)絡(luò)和相關(guān)操作代替無錨點網(wǎng)絡(luò)和變換網(wǎng)絡(luò)使得EAO 下降1.8%，使用傳統(tǒng)相關(guān)操作代替相關(guān)與變換網(wǎng)絡(luò)結(jié)合使得EAO 下降1.7%。

對比本文算法與消融實驗其他算法在模型上的訓(xùn)練時間和跟蹤效率，訓(xùn)練時間根據(jù)相同數(shù)據(jù)集和硬件情況下，依據(jù)后10 輪訓(xùn)練中2 個輪次生成訓(xùn)練模型的間隔時間，估計該輪次訓(xùn)練所用時間，預(yù)測時間則是根據(jù)VOT2019 測試集上的平均幀率，反映算法跟蹤的效率，結(jié)果如表6所示。

Table 6 Experimental results of the training time and running frame rate of the proposed algorithm and other algorithms表6 本文算法與其他算法訓(xùn)練時間和運行幀率的實驗結(jié)果

訓(xùn)練時間上，本文算法完成1 輪模型訓(xùn)練預(yù)估時間為5.4h，將AlexNet 代替ResNet 預(yù)估時間為5.5h，使用有錨點網(wǎng)絡(luò)代替無錨點網(wǎng)絡(luò)預(yù)估時間為5.4h，使用傳統(tǒng)相關(guān)操作代替相關(guān)與變換網(wǎng)絡(luò)預(yù)估時間為3.5h。從訓(xùn)練時間看，變換網(wǎng)絡(luò)對于訓(xùn)練時長有一定影響，其他模塊對于訓(xùn)練時間影響不大。

預(yù)測時間上，通過實驗結(jié)果分析，不同的特征提取網(wǎng)絡(luò)對運行速率影響較大，相關(guān)操作和變化網(wǎng)絡(luò)結(jié)合使用會對網(wǎng)絡(luò)預(yù)測速度產(chǎn)生一定影響，但在目前硬件環(huán)境下，均可滿足實時跟蹤要求。

3 結(jié)語

本文針對有錨點回歸和相關(guān)操作孿生網(wǎng)絡(luò)存在的問題，設(shè)計了基于無錨點和注意力的孿生視覺跟蹤網(wǎng)絡(luò)。本文算法拋棄原有候選框的設(shè)計思想，參考目標(biāo)檢測中的邊界框回歸和中心點置信度估計等回歸方式，并引入了基于注意力機(jī)制的變換網(wǎng)絡(luò)方法，在傳統(tǒng)相關(guān)操作的基礎(chǔ)上，對于特征提取網(wǎng)絡(luò)中不同層的特征圖進(jìn)行編碼和解碼操作。

根據(jù)主流目標(biāo)跟蹤測試數(shù)據(jù)集上的測試結(jié)果，本文網(wǎng)絡(luò)相較于主流的孿生網(wǎng)絡(luò)在復(fù)雜場景、目標(biāo)快速移動和目標(biāo)遮擋等場景下，跟蹤精度上具有一定優(yōu)勢，通過相同訓(xùn)練參數(shù)設(shè)置的消融實驗，驗證了本文算法各功能模塊的有效性。

本文算法在跟蹤成功率上，相較于其他基于注意力和變換網(wǎng)絡(luò)的目標(biāo)跟蹤算法還有一定差距，下一步將繼續(xù)針對特征融合部分進(jìn)行改進(jìn)，提高網(wǎng)絡(luò)跟蹤成功率和網(wǎng)絡(luò)運行效率，以滿足更多的應(yīng)用場景。