通过多尺度与多层级表示学习实现鲁棒多阶段跟踪

基于摘要分析。本文研究视觉目标跟踪中多尺度与多层级表示利用不足的问题，提出结合层级式骨干与单流 ViT 的多阶段跟踪器。主要贡献是在局部尺度建模、模板与搜索区域交互以及浅深层特征融合之间进行分阶段设计；研究对象是视觉跟踪，而非 EEG 或 BCI。 方法采用三阶段骨干：前两个阶段通过双分支分别提取模板与搜索区域的多尺度特征，并使用基于简单 MLP 层的局部尺度感知模块，不采用卷积或移位窗口注意力等操作。第三阶段使用基于单流 ViT 的全局编码器进行特征提取与交互，并通过多层级特征集成模块，将浅层表示与最终层特征融合。其针对的对照问题是部分非层级单流 ViT 难以有效捕获多尺度信息，以及仅用最终层输出造成浅层信息利用不足。 作者报告，在 GOT-10 k、LaSOT、LaSOT_ext、TNL2K、UAV123、TrackingNet 和 VOT2020 上的实验支持方法的有效性与鲁棒性；摘要未提供具体指标、对照数值或运行效率。训练目标、数据划分、实验协议、消融及统计信息尚未验证，代码与复现条件也尚未验证。 平台推测（待验证）：可迁移的假设是，将局部多尺度特征提取与浅深层融合用于 EEG 的不同时间尺度表征；但原方法依赖视觉模板—搜索区域结构，EEG 中需要重新定义输入组织、尺度轴与任务监督，不能直接复用跟踪交互结构。低信噪比、通道差异和小样本可能使多尺度融合放大噪声或导致过拟合。可在固定数据划分与训练预算下，以同一 EEG 编码器比较仅最终层输出、浅深层融合及加入局部尺度模块的表现，检验收益是否稳定。相关 EEG 工作尚未检索确认。