복잡한 심층 모델이 연산 자원이 제한된 조건에서 높은 정확도와 높은 프레임률 추적을 달성하기 어려운 문제를 해결하기 위해, 본 논문에서는 지식 증류 기반의 Transformer 비주얼 추적기를 제안한다. 이 추적기는 이미지 동적 보정 모듈을 도입하여 현재 프레임의 탐색 이미지와 광류 기반 예측 이미지를 동적으로 융합함으로써 빠른 목표 이동과 모션 블러 등의 도전에 효과적으로 대응할 수 있다. 모델 복잡도를 줄이기 위해 지식 증류 학습 전략으로 모델을 압축하고, 동분산 불확실성을 손실 함수에 통합하여 서로 다른 하위 작업의 손실 가중치를 학습함으로써 수동 매개변수 조정의 번거로움과 어려움을 피한다. 또한 훈련 과정에서는 랜덤 블러 전략을 사용해 모델의 강인성을 강화한다. 본 논문에서는 복잡도가 서로 다른 두 가지 추적 프레임워크인 KTransT-T와 KTransT를 제안하고, 다섯 개 공개 데이터셋에서 12개 알고리즘과 비교 실험을 수행하였다. 실험 결과, KTransT-T 알고리즘은 추적 정확도와 성공률을 효과적으로 향상시켰고, KTransT는 낮은 모델 복잡도를 유지하면서 주류 알고리즘과 비슷한 추적 정확도를 달성하였으며, 추적 속도는 초당 158 프레임에 달해 실시간 추적 요구를 충족한다.

컴퓨터 비전;목표 추적;Transformer;지식 증류;동분산 불확실성