后厂村路古拉加斯-优快云博客

原创已知无人机GPS位置、目标GPS位置、无人机姿态，求解吊舱相对无人机的姿态使得目标在图像中心。

当前由无人机的姿态可以得到无人机机头朝向的单位向量。由于吊舱的roll和无人机的roll可以抵消，所以不计算。可以得到无人机到目标的向量为：（North_diff,East_diff,H-h）。输入：无人机GPS位置、目标GPS位置、无人机姿态。输出：吊舱相对于无人机的姿态、使得目标在画面中心。Yaw：正北为0，顺时针为正。（-180~180）Yaw：正北为0，顺时针为正。Pitch：平着为0，上正，下负。Pitch：平着为0，上正，下负。Roll：平着为0，顺时针为正。Roll：平着为0，顺时针为正。

2025-03-31 20:07:17 324

原创【目标跟踪论文阅读8】Seqtrack

在本文中，我们提出了一种新的序列到序列学习框架的视觉跟踪，称为SeqTrack。它将视觉跟踪转换为一个序列生成问题，它以自回归的方式预测对象边界盒。这与之前的暹罗跟踪器和变压器跟踪器不同，它们依赖于设计复杂的头网络，如分类和回归头。SeqTrack只采用了一个简单的编解码器变压器架构。编码器使用双向转换器提取视觉特征，而解码器使用因果转换器自动回归生成一系列边界盒值。损失函数是一个普通的交叉熵。这种序列学习范式不仅简化了跟踪框架，而且在基准测试上取得了竞争性能。

2024-12-11 15:19:28 880 1

原创【目标跟踪论文阅读7】HCAF

特征融合网络：我们设计了一种新的特征融合网络来融合模板和搜索区域的特征。如图2所示，特征融合网络由FS模块和分层交叉注意变压器组成。首先，FS模块在空间维数中稀疏化模板特征向量。它将模板向量的数量减少到S，得到稀疏模板向量Fzs∈RC×S。然后，分层交叉注意变换器融合了稀疏模板向量和搜索向量。分层交叉注意变压器的灵感来自于TransT提出的特征融合网络。我们在TransT中采用了基本单元CFA，它是一个基于交叉注意层和线性层的残差结构。CFA可以融合两组输入特征。

2024-12-09 20:37:03 566 1

原创【目标跟踪代码问题1】pytracking的ltr用了torch2

这个你参考https://blog.youkuaiyun.com/qq_38973721/article/details/130947938。解决参考：https://blog.youkuaiyun.com/qq_35284646/article/details/130641457。2）在分布式运行的时候会有一个：error: unrecognized arguments: --local-rank=1。1）在你运行的时候会有一个：No module named ’torch._six‘

2024-12-06 19:04:45 240

原创【目标跟踪论文阅读6】OSTrack

目前流行的双流两阶段跟踪框架分别提取模板和搜索区域特征，然后进行关系建模，因此提取的特征缺乏对目标的感知，目标-背景判别性有限。为了解决上述问题，我们提出了一种新的单流跟踪（OSTrack）框架，该框架通过将模板-搜索图像对与双向信息流连接起来，将特征学习和关系建模联系起来。这样，就可以在相互引导下动态地提取出有区别的目标导向特征。由于不需要额外的关系建模模块，而且实现是高度并行的，因此提出的跟踪器运行速度很快。为了进一步提高推理效率，基于在单流框架中计算出的强相似性，提出了一种网络内候选早期消除模块。

2024-12-06 09:14:59 728 1

原创【目标跟踪论文阅读5】SiamTPNTracker

最近的目标跟踪方法依赖于深度网络或复杂的架构。由于计算资源有限，大多数这些跟踪器很难满足移动平台上的实时处理需求。在这项工作中，我们引入了暹罗Transformer金字塔网络（SiamTPN），它继承了CNN和变压器体系结构的优势。具体来说，我们利用轻量级网络（ShuffleNetV2）的固有特征金字塔，并通过变压器对其进行强化，以构建一个鲁棒的目标特定外观模型。开发了一种具有横向交叉关注的集中式架构，用于构建增强的高级特征图。

2024-12-05 16:56:57 800 1

原创【目标跟踪论文阅读4】 Exploring Lightweight Hierarchical Vision Transformers for Efficient Visual Tracking

摘要：基于transformer的视觉跟踪器由于其优越的建模能力而取得了显著的进展。然而，现有的跟踪器受到低速的阻碍，限制了它们在计算能力有限的设备上的适用性。为了缓解这一问题，我们提出了HiT，一种新的高效跟踪模型家族，可以在不同的设备上高速运行，同时保持高性能。HiT的核心思想是桥式模块，它搭建了现代轻量级变压器和跟踪框架之间的桥梁。桥接模块将深度特征的高级信息整合到浅层大分辨率特征中。这样，它就为跟踪头产生了更好的功能。

2024-12-05 11:00:30 608 1

原创 Torch 函数积累

参考：https://zhuanlan.zhihu.com/p/647536930。主要作用是重复张量的内容，从而创建一个新的张量。在某个维度上插入一个新维度。

2024-12-04 20:06:04 194

原创【目标跟踪代码阅读1】 HiT

self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_size)这一句话就是前面的四层卷积。先看lib/models/Hit/backbone.py,发现这里就是引用封装一下，真正的backbone不在这，在pvt.py或者levit.py中。这里面写着是4个3*3卷积，实际上呢？在pvt.py的125行，patch_size=16。这篇文章在AGX上tiny模型可以达到80fps，我来看看怎么个事。

2024-12-04 17:59:50 176

原创【目标跟踪论文阅读3】-STARK

本文提出了一种以一种新的编解码器变压器为关键组件的跟踪体系结构。编码器对目标对象和搜索区域之间的全局时空特征依赖性进行建模，而解码器学习一个查询嵌入来预测目标对象的空间位置。我们的方法将对象跟踪转换为一个直接边界框预测问题，而不使用任何建议或预定义的锚点。使用编码器-解码器变压器，对象的预测只使用一个简单的全卷积网络，它直接估计对象的角。整个方法是端到端的，不需要像余弦窗口和边界框平滑等任何后处理步骤，从而在很大程度上简化了现有的跟踪管道。

2024-12-04 16:00:01 961 1

原创【目标跟踪论文阅读2】-Mixformer

跟踪通常采用特征提取、目标信息集成和边界盒估计等多阶段的管道。为了简化这一管道，统一特征提取和目标信息集成的过程，我们提出了一个紧凑的跟踪框架，称为混合器，建立在变压器上。我们的核心设计是利用注意力操作的灵活性，并提出一个混合注意模块（MAM）用于同时特征提取和目标信息集成。该同步建模方案允许提取特定目标的鉴别特征，并在目标和搜索区域之间进行广泛的通信。基于MAM，我们简单地构建多个MAM跟踪框架，逐步地嵌入多个MAM，并在顶部放置一个定位头。

2024-12-04 15:18:26 808 1