K-Track：面向边缘设备加速深度点跟踪的 Kalman 增强跟踪框架
计算机视觉与模式识别
2025-12-12 v1
摘要
视频序列中的点跟踪是现实世界计算机视觉应用的基础能力，涵盖机器人技术、自主系统、增强现实与视频分析。尽管近期基于深度学习的跟踪器在挑战性基准上达到了 SOTA 准确率，但其依赖逐帧 GPU 推理，这对在计算、功耗与连接性受限的资源受限边缘设备上的部署构成了主要障碍。我们引入 K-Track（Kalman-enhanced Tracking），一种通用的、与跟踪器无关的加速框架，旨在弥合这一部署鸿沟。K-Track 通过将稀疏深度学习关键帧更新与用于中间帧预测的轻量级 Kalman 滤波相结合来降低推理成本，利用基于贝叶斯不确定性传播的原则来保持时间相干性。这种混合策略实现了 5-10 倍加速，同时保留了原始跟踪器 85% 以上的准确率。我们在多种 SOTA 点跟踪器上评估了 K-Track，并在 NVIDIA Jetson Nano 与 RTX Titan 等边缘平台上展示了实时性能。通过在保持准确率的同时大幅降低计算需求，K-Track 为在现实世界资源受限环境中部署高质量点跟踪提供了实用路径，弥合了现代跟踪算法与可部署视觉系统之间的鸿沟。
引用
@article{arxiv.2512.10628,
title = {K-Track: Kalman-Enhanced Tracking for Accelerating Deep Point Trackers on Edge Devices},
author = {Bishoy Galoaa and Pau Closas and Sarah Ostadabbas},
journal= {arXiv preprint arXiv:2512.10628},
year = {2025}
}