計算リソースが制限された条件下で複雑な深層モデルが高精度かつ高フレームレートのトラッキングを実現することが難しい問題に対し、本論文では知識蒸留に基づくTransformerビジュアルトラッカーを提案する。本トラッカーは画像動的補正モジュールを導入し、現在フレームの検索画像と光フローに基づく予測画像を動的に融合することで、対象の高速移動や運動ぼけといった課題に効果的に対応できる。モデルの複雑性を低減するために知識蒸留学習戦略でモデルを圧縮し、等分散不確実性を損失関数に組み込み、異なるサブタスクの損失重みを学習することで手動調整の煩雑さと困難さを避ける。同時に、訓練過程ではランダムぼかし戦略を採用し、モデルのロバスト性を強化している。本論文では異なる複雑度の2つのトラッキングフレームワーク、KTransT-TとKTransTを提案し、5つの公開データセットで12種類のアルゴリズムと比較実験を行った。実験結果は、KTransT-Tアルゴリズムがトラッキング精度と成功率を効果的に向上させ、KTransTはモデルの複雑性を低く保ちながら主流のアルゴリズムと同等のトラッキング精度を達成し、トラッキング速度は158フレーム/秒に達しリアルタイムトラッキングの要件を満たすことを示した。

コンピュータビジョン;物体追跡;Transformer;知識蒸留;等分散不確実性