研究人员开发了运动感知稀疏化跟踪器（MaST），这是一个新的框架，旨在提高目标跟踪的效率，以便在边缘设备上进行实时部署。MaST通过使用轻量级的运动先验来优化令牌重要性分数，从而实现更早、更稳定的计算令牌缩减。此外，它还具有一个原生的稀疏预测头，直接在保留的令牌上操作，无需进行密集重塑即可减少冗余计算。实验表明，MaST-tiny的性能优于以往的轻量级跟踪器，在Jetson Nano上运行时，AUC和SUC得分更高，速度几乎是其两倍。 AI
影响 这项研究有望在资源受限的设备上实现更高效的实时目标跟踪。
排序理由 该集群描述了一篇关于新颖目标跟踪方法的新研究论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
Transformer-based object trackers are renowned for their strong performance, yet dense token processing often leads to prohibitive computational cost, limiting real-time deployment on edge devices. While recent works explore token pruning to reduce computation, they often stop sh…
arXiv:2608.24365v1 Announce Type: new Abstract: Transformer-based object trackers are renowned for their strong performance, yet dense token processing often leads to prohibitive computational cost, limiting real-time deployment on edge devices. While recent works explore token p…