【目标跟踪】|轻量化 CVPR 2021-LightTrack
发布时间：2022-10-03 13:30
LightTrack 使用神经架构搜索（NAS）来设计更轻量级和高效的目标追踪器。实验表明，LightTrack 与手工设计的 SOTA 跟踪器（如 SiamRPN++ 和 Ocean）相比，可以实现更优越的性能，而需要的计算量和参数要少得多。此外，当部署在资源受限的移动芯片上时，也能以更快的速度运行。
问题
难以实际部署
轻量化方法
LightTrack 采用 one-shot NAS 的方法搜索结构，流程如图 2 所示。整个过程训练与搜索是解耦的，首先训练超网（随机采样路径进行训练），然后用进化算法从超网中寻找最优子结构。
one-shot NAS
DARTS一般用于搜索小模块
SPOS训练搜索解耦，分为超网训练，从超网中利用启发/进化算法选择最优的子结构
搜索空间
backbone结构、输出层
head结构
基本结构，6种选择，kernel size expansion ratio
最后搜索到的 LightTrack-Mobile 结构如图 5 所示，具有如下特点：
backbone 中有将近一半使用 7*7的卷积核大小，可能是因为这样能在较浅的 backbone 中尽量提升感受野；
搜索架构选择了倒数第二个 block 作为特征输出，可能是因为跟踪网络并不倾向太高级的语义特征；
分类分支需要的网络层数比回归分支要少，可能是因为粗目标定位比精确的边框回归更容易。
相关推荐
.NET Core 实现后台任务（定时任务）BackgroundService（二）
Spring Ioc源码分析系列--Ioc容器注册BeanPostProcessor后置处理器以及事件消息处理
高性能 Jsonpath 框架，Snack3 3.2.29 发布
3.3.3 无线局域网和 3.3.4 PPP协议和HDLC协议
matlab(1):使用matlab处理excel数据进行画图
C#中DataSet、DataTable、DataRow数据的复制方法
SpringDataJpa的使用之一对一、一对多、多对多 关系映射问题
推荐收藏系列：一文理解JVM虚拟机（内存、垃圾回收、性能优化）解决面试中遇到问题（图解版）