基于ShuffleNet轻量化孪生网络的目标跟踪算法

本文针对基于深度学习的目标跟踪算法用于特定场景如移动端、嵌入式等设备,在设备算力相对不足的前提下,仍要保证跟踪器达到良好的跟踪精度和高速实时跟踪问题,提出一种轻量化跟踪算法,并用OTB2015数据集验证其速度和精度。本文基于SiamFC算法,选择可在移动端使用的网络ShuffleNet作为核心网络,针对原网络的不足提出消除padding层影响、步长修改、激活函数修改、控制感受野四点优化,使得核心网络适用于跟踪任务,并在训练引入Focal损失,提高网络训练效果。对比当前主流算法SiamFC,本文算法模型大小仅有56kb;在OTB2015数据集上仿真实验表明跟踪精度达到0.634,算法能更好地应对跟踪任务中硬件受限的挑战;平均速度较原始算法提升313%,达到高帧率实时跟踪。