跟踪
基于Transformer的高效单阶段短时RGB-T单目标跟踪方法
引言如图 1所示,现有的三阶段 RGB-T 单目标跟踪网络通常采用两个独立的特征提取分支,分别负责提取两个模态的特征。然而,相互独立的特征提取分支会导致两个模态在特征提取阶段缺乏有效的信息交互。因此,一旦网络完成离线训练,其仅能从每个模态图像中提取固定的特征,无法根据实际的模态状态动态调整,以提取更具针对性的动态特征。这一局限性制约了网络对多样的目标双模态外观,以及模态外观间动态对应关系的适应能力。如图 2所示,这种特征提取方式并不适合 RGB-T 单目标跟踪的实际应用场景,特别是在复杂环境下,因为被跟踪目标的任意
4/22/2024 3:53:00 PM
特邀精选
- 1
资讯热榜
OpenAI破大防,拒绝率从98%骤降2%!陈怡然团队提出全新思维链劫持攻击
ChatGPT“生成吉卜力风格 AI 图”海外潮流引发版权争议,CEO Sam Altman 回应将施以限制
GPT-4o整活!3个小时、6个镜头重现吉卜力版《甄嬛传》名场面
内存革命!LangGraph 0.3.19如何实现Python内存使用效率的飞跃?
DeepSeek-R1之后推理模型发展如何?Raschka长文梳理后R1时代14篇重要论文
开源版Suno来了!AI音乐生成模型YuE可生成专业级的歌声和伴奏
国内首款中医 AI 大模型 “广医・岐智” 发布
OpenAI 审查策略大转向!ChatGPT 新图像生成器爆红,争议内容限制放宽引关注
标签云
人工智能
OpenAI
AIGC
AI
ChatGPT
AI绘画
DeepSeek
机器人
数据
谷歌
模型
大模型
Midjourney
智能
用户
学习
GPT
开源
微软
AI创作
Meta
图像
技术
论文
Stable Diffusion
马斯克
算法
Gemini
蛋白质
生成式
芯片
代码
神经网络
腾讯
英伟达
计算
研究
Sora
AI for Science
AI设计
3D
机器学习
GPU
开发者
Anthropic
场景
华为
预测
伟达
Transformer
深度学习
模态
百度
AI视频
苹果
驾驶
文本
搜索
xAI
神器推荐
人形机器人
Copilot
LLaMA
具身智能
算力
安全
大语言模型
Claude
应用
字节跳动
视频生成
科技
视觉
干货合集
2024
AGI
特斯拉
亚马逊
架构
语音