登录社区云，与社区用户共同成长
邀请您加入社区
如图 5 所示，随着运行时间的增加，其他算法均出现了速度下降、电量下降，温度升高的现象，但本文的 FEAR-XS 在这些指标上均能保持稳定（高速、耗电少、温度低）。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。特征提取部分使用轻量的 FBNet，特征融合部分设计了像素级别的融合，如图
CVPR2025最新研究聚焦零样本目标检测技术突破：北大团队PromptDet框架通过多模态融合和提示优化，将零样本检测性能提升15.3%，刷新主流数据集SOTA。VisTa研究创新性地利用CLIP模型，通过视觉提示和文本增强策略实现目标级OOD检测，解决上下文丢失问题。另有研究提出零样本注意力剪枝技术tgGBC，在不重训练情况下实现3D检测模型近2倍加速，边缘设备部署效果显著。这些突破展示了多模
将开源开发了一个单参数双模板模块，该模块允许在不增加模型复杂度的情况下动态学习对象外观的变化，缓解了最近提出的在线学习模块的内存瓶颈。该模块预测目标接近搜索图像中心的可能性，从而允许选择模板图像更新的候选对象。以可学习的方式将在线选择的动态模板图像特征图与原始静态模板图像的特征图插值。这允许模型在推理过程中捕捉对象外观的变化。由特征提取网络、像素级融合块和用于边界盒回归和分类的任务特定子网络组成。
