面向实时 UAV 跟踪的剪枝解耦表征学习

基于摘要分析。本文研究无人机（UAV）视觉目标跟踪中深度学习跟踪器计算开销较大的问题，在 SiamFC++ 上结合基于秩的滤波器剪枝与解耦表征学习，提出 DP-SiamFC++，旨在压缩模型的同时缓解跟踪精度损失。 核心机制是将骨干网络输出特征分为身份相关特征与身份无关特征，仅使用身份相关部分完成后续分类和回归。剪枝负责降低计算负担，特征解耦则试图提升保留表征的任务有效性。摘要未给出秩的具体定义、解耦监督、损失函数、训练顺序或推理计算量，这些内容尚未验证。 作者报告，在全局剪枝比例为 0.5 的 SiamFC++ 压缩设置下，所提方法获得了更高的跟踪精度，但摘要未明确这一表述对应的具体比较对象与指标。作者在 UAV123@10fps、UAVDT、DTB70 和 Vistrone2018 四个公开 UAV 基准上报告了效率与精度的良好平衡，并声称达到当时最先进的 UAV 跟踪性能。具体数值、硬件、单 CPU 运行速度、数据划分、对照配置、消融及统计信息尚未验证，不能据此认定其已达到特定设备上的实时要求。 平台推测（待验证）：可迁移的假设是“任务相关表征筛选能够补偿模型剪枝造成的性能损失”，而非 UAV 跟踪结果本身适用于 BCI。若用于 EEG，需将目标身份相关性改为任务相关性，并处理任务信息与被试、会话等因素相互纠缠的问题；原方法所依赖的跟踪监督及数据规模尚不明确。可复用的是剪枝与表征解耦的组合思路，监督目标和输出头需要改造。低信噪比、通道差异及小数据可能导致解耦不稳定或误删有效特征。一个可证伪的小实验是在固定 Cross-subject 划分与相同剪枝比例下，对比仅剪枝与剪枝加解耦的同一 EEG 基线，同时记录任务指标和推理开销。已有 EEG 相关工作尚未检索确认。