基于选择性循环移位窗口加速Transformer的目标跟踪网络研究

本文创新性地提出SCWATT（选择性循环移位窗口加速Transformer）网络，通过多尺度循环移位窗口注意力机制（Multi-scale Cyclic-shifted Window Attention）替代传统像素级注意力，结合快速傅里叶变换（FFT）实现频域计算优化，显著提升目标跟踪在尺度变化、复杂背景和遮挡场景下的性能。研究引入动态模板更新策略和选择性消除（SE）模块，在LaSOT等五大基准数据集上超越现有SOTA方法。

　　

Highlight

视频目标跟踪（VOT）作为计算机视觉核心领域，在无人机监控（UAV tracking）和自动驾驶等场景展现巨大潜力。传统基于卷积神经网络（CNN）的Siamese跟踪器因局部感知缺陷难以建立长程依赖，而Transformer网络凭借自注意力机制（Self-attention）实现突破性进展。

Proposed network

本研究构建的SCWATT网络包含三大创新模块：

1. 多尺度循环移位窗口注意力机制：通过窗口级特征匹配保留目标语义完整性，利用循环移位策略增强尺度变化感知能力

2. 频域加速计算：应用卷积定理将空间域循环样本的关联运算转化为频域点乘（Point-wise Multiplication），计算效率提升40%

3. 选择性消除（SE）模块：动态筛选模板与搜索帧的关键区域，抑制背景干扰

Experiment

在LaSOT^[28]和GOT-10k^[29]等数据集测试显示，SCWATT在精确度（Precision）和成功率（Success Rate）指标上均超越STARK^[27]等先进方法。特别在遮挡场景下，其动态模板更新机制使跟踪鲁棒性提升23.7%。

Conclusion

本研究通过生物启发式设计，将Transformer的时空信息建模能力与高效频域计算相结合。未来将探索该框架在医学图像跟踪（如细胞运动分析）中的应用潜力。