Transformer-based visual trackers have been optimized for efficiency in real-time robotics applications on edge devices, introducing LiteTrack, which achieves a favorable trade-off between accuracy and efficiency.

Sep, 2023

多目标跟踪是自动驾驶中的关键任务。本文采用神经架构搜索（NAS）方法寻找低实时延迟、相对高准确度的高效跟踪架构。同时，提出多模态框架以提高鲁棒性，并通过实验证明算法可以在边缘设备上运行，从而大大降低多模态跟踪的计算需求和延迟。

Mar, 2024

本研究提出采用神经网络架构剪枝技术设计高度压缩的轻量级物体跟踪器，并提供最适合设计轻量级跟踪器的架构选择的比较研究。研究结果表明，在一定程度的压缩比下，使用 CNNs，transformers，以及两者的组合的 SOTA 跟踪器的稳定性不同，该研究为从现有 SOTA 方法中设计高效跟踪器提供了深入的见解。

Nov, 2022

该研究提出了一种基于可微分的单元结构自动寻找骨干特征的追踪网络的网络设计机制，旨在解决目标跟踪中由手动设计网络结构所产生的挑战与时间成本问题，实现了在不需要堆叠一系列模块的情况下，通过提出的策略避免了过拟合与性能崩溃问题的影响，实验结果表明优于常用的五种基准方法。

Jul, 2021

本文提出了一个新颖的轻量级框架 LightTrack，用于在线人体姿态跟踪。该框架集成了单人姿态跟踪和视觉对象跟踪，使用可替换的单人姿态估计模块，将单人姿态跟踪统一到多人身份关联中，并提出了人体姿态匹配的 Siamese Graph Convolution Network 作为此跟踪系统的 Re-ID 模块。该方法在维持更高帧率的同时，优于其他在线方法，与我们的离线最新技术非常有竞争力，并可适用于其他姿态估计器和候选匹配机制。

May, 2019

本研究提出了一种效率高的方法，通过针对自动定位简单无锚对象检测器的 FPN 和预测头部进行搜索，使用定制化的强化学习范式，能够在 4 天内使用 8 个 V100 GPU 找到表现最佳的检测架构，并在 COCO 数据集上超过了 Faster R-CNN，Retina-Net 和 FCOS 等现有模型，AP 提升了 1.0％至 5.4％。

Oct, 2021

本文提出一种轻量级的卷积双支追踪器 LightFC，使用了高效交叉相关模块（ECM）和高效中心头（ERH）来增强特征表达，并通过重新参数化技术和通道注意力来改善非线性表达能力。实验证明，LightFC 在性能、参数、Flops 和 FPS 之间取得了较好的平衡，在 LaSOT 和 TNL2K 上的精确度得分分别比 MixFormerV2-S 高出 3.7％和 6.5％，同时使用的参数减少了 5 倍，并且 Flops 减少了 4.6 倍。此外，LightFC 在 CPU 上运行速度是 MixFormerV2-S 的 2 倍。

Oct, 2023

本研究使用增强学习范式，通过对特定搜索空间的精心设计和策略，高效地搜索出网络结构，提出了一种优化目标检测模型的神经网络架构搜索方法，并在四天内使用 8 V100 GPUs 在 COCO 数据集上取得比 Faster R-CNN、RetinaNet 和 FCOS 等模型更好的性能，充分展示了该方法的有效性。

Jun, 2019

通过 EasyTrack 提出一种新的一次性转换器 3D SOT 范例，利用点云跟踪特征预训练模块、统一的 3D 跟踪特征学习和融合网络，以及在密集鸟瞰特征空间中构建的目标定位网络，显著提高了 KITTI、NuScenes 和 Waymo 的性能，并具有较低的参数和高帧率。

Apr, 2024

本文提出了一种 Simplified Tracking 架构（SimTrack），通过利用变压器骨干联合特征提取和交互，进一步提高现有的跟踪方法，并通过提出的 foveal 窗口策略降低了视觉变换器的信息损失，提供更多的可接受计算代价的多样化输入补丁。我们的 SimTrack 在 LaSOT/TNL2K 上取得了 2.5％/2.6％的 AUC 增益，并获得了与其他专业跟踪算法相竞争的结果，而不需要有复杂的高级特性。

Mar, 2022