面向增强现实设备的基于深度学习的轻量级RGB目标跟踪
网络与互联网体系结构
2025-11-25 v1 人工智能
摘要
增强现实(AR)应用程序通常需要对用户环境中的目标进行稳健的实时跟踪，以正确地叠加虚拟内容。近期计算机视觉的进展产生了高度准确的基于深度学习的对象跟踪器，但这些模型在计算和内存方面通常过于沉重，难以适用于可穿戴式AR设备。本文提出了一种专为资源受限的AR平台设计的轻量级RGB目标跟踪算法。 proposed tracker采用紧凑的Siamese神经网络架构，并整合了模型修剪、量化和知识蒸馏等优化技术，以大幅降低模型规模和推理成本，同时保持高跟踪精度。我们在大型视频数据集上使用深度卷积神经网络进行离线训练，然后在设备上部署进行实时跟踪。在标准跟踪基准测试中的实验结果表明，我们的方法在准确率上与最先进的跟踪器相当，却在同一硬件上运行速度快过一个数量级，实现约30 FPS的实时运行。这一工作为AR场景提供了实用、稳健的对象跟踪，为在轻量级设备上实现更具互动性和动态性的AR体验铺平了道路。
引用
@article{arxiv.2511.17506,
title = {AURA: Adaptive Unified Reasoning and Automation with LLM-Guided MARL for NextG Cellular Networks},
author = {Narjes Nourzad and Mingyu Zong and Bhaskar Krishnamachari},
journal= {arXiv preprint arXiv:2511.17506},
year = {2025}
}