基于孿生多注意力網絡的接觸網侵限輕飄物跟蹤

屈志堅，張博語，朱 琳，梁家敏

(1.華東交通大學 軌道交通基礎設施性能監測與保障國家重點實驗室，江西 南昌 330013；2.華東交通大學 電氣與自動化工程學院，江西 南昌 330013)

高速鐵路(以下簡稱“高鐵”)限界是指為保證運輸安全而制定的建筑物、設備與機車車輛相互間在線路上不能逾越的輪廓尺寸線。為了保障高鐵運輸安全及高效,中國高鐵通常采用1.8 m高護攔網阻攔的方式對鐵路限界進行保護,護欄網的物理阻攔,主要是對鐵路沿線兩側1.8 m高度限界進行異物攔截,鐵路上空接觸網區域已成為防護盲區,在大風天氣情況下,鐵路沿線的廢棄氦氣球、塑料袋、風箏、孔明燈、地膜等輕飄物,容易侵入限界并纏繞在接觸網上,給鐵路運輸安全造成嚴重的安全隱患[1]。如中國南方某鐵路局,鐵路工作人員未能及時發現輕飄物侵限,造成輕飄物纏繞在接觸網上,致使列車晚點,旅客滯留車站。此類輕飄物體的侵限事件因受周邊環境和天氣等影響而帶有隨機性,難以被及時發現,很難預知其運動軌跡和準確的隱患位置。接觸網侵限輕飄物的跟蹤研究,對列車司機及時獲取事件預警和排除安全隱患具有重要意義,因此急需研究一種適用于高速電氣化鐵路復雜背景下的快速跟蹤方法。

目前針對限界內異物侵限檢測及跟蹤的方法主要為兩類:第一類方法屬于傳感器法,通過紅外光幕、微波及激光掃描等方式對侵限異物進行檢測[2-5]。這類方法主要用于隧道口落石等異物檢測,但由于在接觸網強電環境中易受電磁干擾,故對接觸網異物檢測的適應性較差。另一類是機器視覺方法,自動化程度較高,適用于鐵路異物侵限檢測及跟蹤[6-8],該方法根據觀測模型分為生成式和判別式兩類。生成式方法圖像信息利用率較低,在復雜場景下跟蹤準確性及魯棒性較差[9]。判別式方法因專注區分前景與背景,跟蹤精度較好,近年來在目標跟蹤領域占據主流。其中基于相關濾波和深度學習的方法成為研究熱點。相較于傳統算法,基于相關濾波的算法,無論是精度還是速度都有較大提升,但其使用灰度、顏色、HOG等手工設計的特征進行目標描述[10-11],對鐵路這種復雜場景而言,手工設計的特征應對干擾能力明顯不足。同時,相關濾波算法的多尺度搜索策略需要每個尺度上的響應值,再找出最合適的目標尺度,過程煩瑣耗時,不適宜跟蹤帶有較大尺度變化、移動速度快、帶有旋轉形變的輕飄物[12]。

目前主流的深度學習跟蹤方法以孿生網絡為代表?；趯\生網絡的跟蹤算法,其神經網絡提取的深度特征中具有豐富的語義特征,能更加魯棒地表征目標,以應對相似目標干擾、環境變化、背景雜亂等挑戰[13-15]。文獻[16]基于孿生網絡,利用目標特征與模板匹配的方法進行檢測,但對于發生遮擋、快速運動的異物目標檢測時,存在漏檢和誤檢等問題。文獻[17]利用MobileNet網絡實現輕量化特征提取,結合孿生與區域建議網絡進行目標跟蹤檢測,但網絡結構單一,存在模型特征提取能力弱的問題,導致整體跟蹤檢測效果較差?；趯\生網絡的跟蹤算法其目標模板不能在線更新,且目標模板與搜索圖像的特征是在孿生網絡結構的兩個分支中獨立計算,容易造成目標信息的缺失,導致跟蹤失敗。文獻[18]在卷積神經網絡中添加注意力機制進行目標跟蹤檢測,增強了模型的特征提取能力,但對于目標運動軌跡變化時,檢測精度不高。文獻[19]提出一種基于雙通道的Transformer網絡,設計出一種通道注意力交叉融合機制,提高了目標的識別精度,但針對目標尺度變化的應對能力較弱,且計算成本較高。

針對鐵路接觸網復雜背景下輕飄物尺度變化大、遮擋干擾和背景雜亂的跟蹤難題,本文提出一種基于孿生注意力網絡和空間正則化的尺度自適應輕飄物侵限(attention spatial-regularization siamese light-object,ASSL)跟蹤方法。利用維納濾波去除接觸網圖像上空復雜環境背景的部分運動和噪聲模糊,設計一種接觸網侵限輕飄物跟蹤的ASSL算法模型,通過全局注意力子模塊、空間正則化濾波器和交叉注意力子模塊等處理,將孿生網絡兩個分支間的圖像信息串聯,提取輕飄物體目標特征,生成輕飄物體的區域建議框,采用多個細化融合特征模塊對建議框進一步精確后輸出目標預測,進行跟蹤精度對比實驗、侵限算例的對比實驗和消融實驗,并對本文方法進行了驗證。

1 接觸網侵限輕飄物跟蹤圖像預處理

在高速鐵路線路區間,每間隔1～2 km安裝一臺高清攝像機,可以對線路兩端進行監控,若干視頻采集節點通過網絡連接,將非結構化視頻圖像數據傳輸至匯聚節點,將圖像信息進一步傳輸至綜合視頻監控系統,進行接觸網異物的侵限跟蹤處理。鐵路綜合監控管理系統對鐵路沿線進行全天候視頻采集并實時上送視頻序列,可以對侵入接觸網限界輕飄異物的跟蹤過程,劃分為圖像采集、圖像復原及背景簡化處理、圖像特征提取與侵限目標生成三部分。對接觸網上空附近的復雜環境背景進行圖像降噪與復原的預處理。

(1)

式中:G(μ,υ)表示帶有噪聲的退化圖像;H(μ,υ)為退化函數;H*為H的復共軛;K為常數。

圖1為維納濾波處理掉的運動和噪聲模糊,以及輕飄異物的復原效果。

圖1 維納濾波去噪及復原效果

2 高鐵輕飄異物侵限跟蹤的ASSL算法模型

2.1 ASSL算法框架設計

由于高鐵限界內輕飄物的運動軌跡不確定,且運動速度較快,傳統算法適用性較差。

利用多重注意力機制和空間正則化濾波器與孿生網絡融合,使孿生網絡更好地提取尺度變化和快速運動特征,通過維納濾波處理部分雜亂背景和遮擋干擾,提出一種基于孿生網絡的尺度自適應鐵路輕飄異物侵限的ASSL跟蹤方法。經處理后的圖像,通過空間正則化優化的孿生注意力網絡提取目標特征,將侵限異物的視覺圖像信息轉化為能被計算機識別的數值形式,并用于下一步的卷積計算,對經過SiamRPN[20]模塊后區域生成的建議框采用多組細化融合特征模塊進一步精確目標位置,輸出預測目標。

接觸網輕飄物體侵限視頻序列的ASSL跟蹤方法的具體步驟,如圖2所示。第一部分,鐵路綜合視頻監控信息流對鐵路沿線進行采集得到原序列Y1;第二部分,通過維納濾波預處理后得到序列Z1;第三部分,從Z1的第一幀Z1(1)中,截取尺寸(127,127,3)作為跟蹤模板幀,下一幀Z1(2)截取尺寸(225,225,3)作為跟蹤檢測幀,分別輸入由五層Resnet-50為主干的孿生網絡,隨著層數的加深,將得到更高的層次特征。將孿生注意力模塊應用于最后三層中,以此調節和增強兩個孿生分支在最后三階段的特征,并輸出兩支注意力特征。將3個SiamRPN(siameseregionproposal)塊與輸出的注意力特征融合,輸出大量的特征圖,再經分類和回歸兩個分支進一步處理,得到單個跟蹤區域的同時,與兩支注意力特征進行深度互相關計算。最后通過特征融合模塊,將特征進一步融合加強,分別經過邊界框回歸與掩膜預測,輸出跟蹤結果。

圖2 接觸網侵限輕飄物跟蹤模型的設計

2.2 孿生注意力模塊

輕飄物序列Z1進入孿生網絡后,序列的第一幀Z1(1)作為模板分支的輸入,表示為m;Z1(1)的下一幀作為搜索分支的輸入,表示為n。兩個分支共享卷積神經網絡的參數。經五級卷積層后,逐層間產生不同深度的輕飄異物圖像特征信息,而淺層特征主要關注于物體的外觀、顏色、紋理等,由于輕飄物體存在較大形狀變化、動態模糊,在鐵路背景環境下易受物體遮擋,考慮到當網絡深度加深后,表達特征的能力更強,對物體的形變、遮擋信息更為敏感,因此,將網絡最后三層的特征信息輸入孿生注意力模塊中,通過引入注意力機制與空間正則化濾波器,將輕飄物體的圖像信息進行加強融合。具體步驟如圖3所示。

圖3 孿生注意力模塊的設計

如圖3所示,孿生注意力模塊以輕飄物序列Z1在孿生網絡中計算出的一對卷積特征為輸入,經過孿生注意力機制調整輸出的特征。孿生注意力模塊整體可分為兩個子模塊,左右兩側的全局注意力子模塊關注輕飄物的整體圖像信息,中間兩個交叉注意力子模塊串聯模板區域與搜索區域的圖像信息,更關注有效的背景信息。將輸入的模板特征表述為C×h×w,搜索特征表述為C×H×W。

2.2.1 全局注意力子模塊

全局注意力子模塊由通道注意力、空間注意力和空間正則化濾波器三部分構成。受SiamRPN++[21]啟發,深層次卷積特征中的相同通道,對特定類別的跟蹤對象產生高度響應,其余通道則抑制響應。應用通道注意力機制增強對輕飄物特征的捕捉能力。類似地,受傳統算法感受野的影響,特征圖的計算限制在局部圖像塊中,獲得的圖像信息有限?？臻g注意力機制和空間正則化濾波器的加入,使算法能夠在整體圖像中獲取信息。以模板特征m計算空間注意力為例,設m∈C×h×w,為特征空間;模板特征m經兩個1×1的卷積層,生成查詢特征Q和關鍵特征K,其中對Q和K進行特征重塑得到C′×p,p=h×w。通過逐點相加和矩陣相乘,得到空間注意力特征圖為

(2)

(3)

2.2.2 空間正則化濾波器

考慮輕飄物在氣流作用下形態變換較大的運動特性,為保證模型能夠精確捕獲目標的形變信息,引入空間正則化濾波器對模板幀和搜索幀計算特征響應,并將特征響應與空間注意力特征融合計算?？臻g正則化濾波器對接近邊界的區域懲罰更大,能有效解決因快速運動而產生的邊界效應,針對快速運動的侵限目標能夠更為精確的計算其目標位置的特征響應。

響應S可以表示為

(4)

(5)

輕飄物位置區域下的響應見圖4。

圖4 輕飄物在不同位置時響應的可視化結果

利用正則化權重懲罰對應背景特征的濾波器值,有效抑制雜亂的背景信息,可以更加突出輕飄物目標的外觀信息,增強模型整體在應對快速運動和尺度變化時的辨別能力。

2.2.3 交叉注意力子模塊

在輕飄物侵限跟蹤中,鐵路接觸網復雜的背景環境也給目標定位帶來了挑戰,接觸網的復雜結構使跟蹤過程不可避免的產生遮擋。為解決該問題,引入交叉注意力機制,使原本獨立進行計算的模板分支和搜索分支相互學習。將原本忽略的背景中的有效信息得到利用,幫助模型更精確地定位目標。以搜索特征n計算交叉注意力為例,設n∈C×H×W,首先,將輕飄物體目標特征n重塑為C×P,P=H×W,交叉注意力AC的計算和通道注意力類似,由此可得

(6)

對所計算的矩陣進行逐行softmax操作,得到輕飄物目標特征的交叉注意力為

(7)

最后,將所得全局注意力和交叉注意力通過元素求和的方式相加,得到最終的模板特征。同理可得最終的搜索特征。

為更直觀的觀察模型的效果,將特征圖的響應大小映射到原圖上,并以此了解模型對目標信息的獲取。

由圖5可知,在未添加注意力模塊前,模型受到背景中樹木、接觸網、信號燈和支柱不同程度的干擾;添加注意力模塊后模型主要關注侵限目標的信息。

圖5 添加注意力模塊前后的特征響應對比

2.3 輕飄物體的區域生成

經孿生注意力網絡計算特征后,輸出兩個注意力特征分支,應用3個SiamRPN模塊生成目標建議。如接觸網輕飄物跟蹤模型所示,3個模塊之間由多個全卷積層組合且深度互相關。由該模塊生成3個預測圖,并采用加權融合方式生成最終組合圖。最后,根據組合圖給出的區域建議,選取得分最高的輸出預測區域。在此基礎上,采取多個融合細化操作,提升模型整體的精確度。

1)應用深度交叉互相關操作,將孿生注意力網絡輸出的注意力特征與輸出預測區域進行計算,生成一組相關性圖。

2)將相關性圖輸入到特征融合模塊,采用1×1的卷積和上下采樣操作進行特征對齊。同時,將原始目標圖像輸入空間正則化濾波器計算特征,并與孿生網絡前兩層特征跟相關性圖逐元素求和的方式進行融合,使模型得到更豐富的局部圖像信息。

3)添加可變形的ROI(regionofinterest)池化層,使目標特征的計算更加精確。

2.4 端到端訓練ASSL

在訓練階段,根據輕飄物體運動特征,歸納得出快速運動、鏡頭搖晃、動態模糊、尺度變化、背景雜亂等標簽,以某鐵路試驗線采集的圖像為主,從GOT-10K[22]數據集上選取符合標簽的內容作為補充,整合出45類視頻序列,共43 589張圖像。隨機間隔地從中調取樣本對,模板和檢測圖像選自同一視頻序列的兩幀。對整個網絡采用隨機梯度下降(stochasticgradientdescent,SGD)進行端到端的訓練。對正負樣本的選定采用廣泛使用的目標檢測測量標準IoU,即

(8)

IoU的值越高,表示A框與B框重合度越高,代表模型的預測越準確;IoU的值越低模型性能越差。規定當IoU>0.6時,該錨框及其對應的標注框為正樣本,當IoU<0.3時,為負樣本。

訓練損失為SiamRPN網絡與多個融合操作模塊中損失函數的加權組合

L=Lcls+σ1Lreg+σ2Lbox+σ3Lmask

(9)

式中:Lcls、Lreg為SiamRPN網絡中分類和回歸損失,分別為負對數似然函數(negativelog-likelihood,NLL)和smoothL1損失函數;Lbox、Lmask分別為邊界框回歸的smoothL1損失函數和掩膜分割的二進制交叉熵損失函數;σ1、σ2、σ3為權重參數,設置為0.2、0.2、0.1。

3 算例對比試驗

3.1 跟蹤精度對比實驗

采用OTB[23]評估基準對算法的性能進行驗證,OTB數據集中包含從常用跟蹤序列中收集的100個序列。選擇OTB中的OPE(onepassevaluation)測試對跟蹤算法的綜合性能進行測試評估,評估基于精度圖和成功率圖兩個指標。精度圖展示跟蹤結果距目標20像素以內的幀數百分比。首先計算中心誤差,即預測目標中心點與標注框中心點之間的歐氏距離ρ為

式中:(x2,y2)為算法預測目標中心點位置結果;(x1,y1)為人工預先標注的標注框中心點。

給定誤差閾值為20像素,精度Precision計算結果為

式中:framesρ<20為滿足給定誤差閾值的幀數;framestotal為所有視頻序列總幀數。

這一聲“姐”，道出了學生對我的教育滿滿的信任，只因為作為一名政治教師，我把“使學生正直和聰慧”作為我努力追求的目標。所謂聰慧，即有知識、有智慧、有能力；所謂正直，是指有德行、有正氣、有正義。相較于聰慧，我認為正直對一個人的人生更為重要。所以，走上講壇后，我一直不遺余力地挖掘教學中的育人因素，努力為學生成為一個正直之人點燃指引的明燈。我教過的很多學生，他們或許已經忘記了課堂上所學的政治知識，但依然記得上課時的激情與快樂，依然記得在我的課堂里學會的“梨本無主，我心有主”的價值堅守，記得“態度決定高度”的人生格言。

成功率圖顯示閾值從0到1變化時跟蹤成功幀的比率,其中成功幀表示其重疊大于給定閾值。成功率圖曲線下面積用于對跟蹤算法進行排序。

式中:Success為成功率;ρ∈[0,1];framesoverlap>ρ為重疊大于給定閾值的幀數。

考慮輕飄物侵限的跟蹤特性,篩選出運動模糊、快速運動、尺度變化三種挑戰屬性,以此驗證算法的各項能力,其中各算法數據均采用相同硬件配置環境下的測試結果,代碼、模型及超參數均源于參考文獻[24-26]。

由圖6可知,經過空間正則化濾波器融合多注意力機制的ASSL,在各個屬性中均有不俗的表現,其中在圖6(a)快速運動屬性中的精度幀數百分比以92.1%取得領先,分別高出SiamCAR 0.6%,高出SiamAttn 0.7%。在圖6(b)成功率圖中,ASSL的跟蹤成功率百分比為70.6%,相比于位列第二的SiamCAR70.2%,高出0.4%。在圖6(c)應對動態模糊的挑戰中,ASSL以90.3%的精度仍表現出最佳效果,在圖6(d)中高出第二位SiamCAR 0.9個百分點。

圖6 OPE多項挑戰算法對比結果

尤其在尺度變化屬性中,ASSL的精度可達94.7%,超越第二位的SiamAttn 1.8個百分點。對于成功率指標,ASSL的成功率達到72%,高出SiamAttn 2個百分點。

3.2 試驗線侵限算例的對比分析

使用?？低旸S-2DC7520IW-A500萬150 m紅外監控攝像頭球機,從軌道交通基礎設施性能監測與保障國家重點實驗室電氣化鐵路試驗線分別采集三組視頻序列,共7 500幀序列進行接觸網異物侵限算例實驗。Ⅰ組是侵限異物尺度基本無變化的視頻序列L1、L2;Ⅱ組是存在相似物體干擾的異物侵限接觸網視頻序列N1、N2;Ⅲ組是侵限異物帶有旋轉特性以及尺度變化的序列M1,以及雜亂環境下帶有相似物體干擾的序列M2。其中L1、L2各包含15 s視頻序列,共計2 000幀圖像;N1、N2各包含25 s視頻序列,共計3 000幀圖像。M1、M2各包含20 s視頻序列,共計2 500幀圖像。

實驗搭載Win10系統,配置為Intel XeonW-2123CPU,NVIDIA Quadro P4000的計算機。分別使用SiamFC算法、相關濾波SRDCF[24]算法、加入干擾感知模塊的DaSiamRPN[25]算法和使用深層網絡的SiamRPN++算法,對實驗算例進行輕飄物體侵限跟蹤,并與本文的ASSL算法跟蹤精度進行對比,跟蹤實驗可視化效果如圖7所示。

圖7 不同算法的跟蹤可視化結果

第Ⅱ組實驗結果分析:視頻序列N1、N2存在相似物體干擾,紅色輕飄物體干擾項在空氣流動中帶有輕微晃動,且在N1序列中含有兩次重疊遮擋。

1)在N1序列第255幀,兩個輕飄物體靠近,除ASSL外其他4個算法都產生不同程度的目標丟失。

2)第642幀第一次重疊遮擋后,DaSiamRPN、SiamFC和SRDCF算法錯誤將紅色干擾項認為是目標。

3)從第894幀開始,由于目標被干擾項完全遮擋導致SiamRPN++算法丟失目標,錯誤認為紅色物體為目標。

N2序列中,目標與紅色干擾項從相互靠近往左側飄動,從第342幀起,由于干擾項的輕微擺動,SRDCF算法錯誤認為其為跟蹤目標導致跟蹤失敗,DaSiamRPN與SiamRPN++算法學習到過量的接觸網背景信息導致跟蹤框過大,而SiamFC算法則受到目標旋轉形變的影響產生漂移導致跟蹤失敗。

第Ⅲ組實驗結果分析:在M1序列中,跟蹤目標在大風的影響下產生劇烈旋轉以及搖晃形變。相關濾波算法SRDCF由于計算復雜,目標運動快速在第3幀之后逐漸丟失目標。而SiamFC和DaSiamRPN算法在目標自身帶有旋轉形變并飄過接觸網的過程中學習到錯誤的背景信息產生不同程度的漂移。

在M2序列中,接觸網結構及背景更為復雜,序列中間位置設置為相似物體干擾項,其形狀顏色與跟蹤目標幾乎一致。在M2序列第315幀,SRDCF算法已跟丟侵限異物。由于在右側支柱的腕臂結構處背景復雜且侵限異物運動快速、形變大,DaSiamRPN、SiamFC算法在第724幀相繼跟丟目標。SiamRPN++算法雖未跟丟目標,但相比侵限輕飄物SiamRPN++算法的跟蹤框偏大。這四種算法對此視頻序列輕飄物侵限跟蹤效果較差,而本文ASSL算法未出現跟丟目標輕飄物的情況,從可視化跟蹤的結果可以看到,ASSL算法能更準確的跟蹤侵限輕飄物。

為更直觀評估各類算法精度,對以上五種算法進行定量評估,計算L、M、N 3個序列的成功率圖的曲線下面積(AUC)和平均像素誤差(APE)得分,并繪制成功率圖與精確度圖。如圖8、表1、表2所示。

表1 各序列跟蹤算法的AUC得分 %

表2 各序列跟蹤算法的APE得分 %

圖8 各算法的跟蹤成功率與精確度

由表1、表2可知,本文ASSL算法的跟蹤精度明顯優于相關濾波算法SRDCF與孿生網絡算法SiamFC,特別在含有相似物體干擾且背景雜亂的視頻序列M2中,ASSL算法的跟蹤精度比SiamFC和SRDCF算法分別高出39.6%、55.8%,同時ASSL的跟蹤成功率達到74.7%,高出采用深層網絡的SiamRPN++算法7.5%。

ASSL算法加入了空間正則化濾波器融合注意力機制對跟蹤目標計算響應,能更敏銳捕捉到目標輕飄物的位置,平均精度可達92.68%。

3.3 消融實驗

為了驗證ASSL算法對接觸網輕飄物跟蹤的有效性,將SiamRPN++作為基線算法(以下簡稱SR)進行消融實驗。

從上述接觸網輕飄物侵限的7 500幀序列算例隨機抽取序列,計算EAO值與算法跟蹤速度。用Φi表示平均計算的每一幀IOU值,平均重疊期望值(expected average overlap,EAO)可以表示為

式中:NS為期望的極大值。

經計算整理后得到平均重疊期望與跟蹤速度之間的關系,如圖9所示。圖9中,WF為維納濾波,GA為全局注意力機制,GA-S為添加空間正則化濾波器的全局注意力機制,RO為區域生成細化操作,CA為交叉注意力機制。

圖9 消融實驗結果對比

7種算法消融實驗的跟蹤速度、平均重疊期望、平均重疊期望增長率的數據指標見表3。

表3 消融實驗結果

由圖9和表3可知,ASSL算法設計的各子模塊對算法均產生了不同程度的提升,各子模塊的貢獻度由平均重疊期望增長率體現。由表3數據,對比SR+RO+GA與SR+RO的EAO增長率值可得交叉注意力對平均重疊期望增長率的貢獻最高,達到3.2%,全局注意力對平均重疊期望增長率的貢獻次之,達到3.0%。在接觸網輕飄物侵限跟蹤中,相比較原生算法SiamRPN++,ASSL算法在跟蹤速度以及魯棒性上都有更佳的效果。

4 結論

1)本文針對鐵路接觸網侵限輕飄異物尺度變化大、存在運動模糊和遮擋干擾造成跟蹤困難的問題,綜合運用多注意力機制、空間正則化濾波器融合的孿生網絡以及特征融合模塊,推導融合空間正則化濾波器的全局注意力整形特征公式,在此基礎上提出一種接觸網侵限輕飄物跟蹤的ASSL方法。ASSL方法通過空間注意力從圖像全局中獲得更多的背景信息,利用通道注意力抑制其余通道響應,添加空間正則化濾波器抑制雜亂背景信息。使用交叉注意力解決相似物體遮擋和干擾的問題。

2)以軌道交通基礎設施性能監測與保障國家重點實驗室電氣化鐵路試驗線的輕飄物侵入接觸網視頻序列為算例,進行多組不同侵限情況下的實驗。對比SRDCF、SiamRPN++、DaSiamRPN和SiamFC算法與本文ASSL方法的跟蹤效果。結果表明,在鐵路限界及接觸網復雜背景環境中,當跟蹤過程發生背景干擾、異物形變及遮擋時,ASSL方法抗干擾能力強,能適應輕飄物的形變及旋轉,對輕飄物侵限的跟蹤具有較高的準確性和魯棒性。

3)進一步的消融實驗結果表明,交叉注意力對平均重疊期望增長率的貢獻最高,達到3.2%,全局注意力對平均重疊期望增長率的貢獻次之,達到3.0%,相比SiamRPN++算法,ASSL方法獲得了更佳的跟蹤速度和魯棒性。