PLATE：一种感知延迟感知估计器

目标跟踪是一个具有广泛应用的热门问题。人们已经投入了大量精力，通过不同技术来提高使用相机检测目标的质量。通常，投入的计算量越大，即感知延迟越长，获得的检测精度就越高。然而，并非总是需要应用允许的最长感知延迟，尤其是在环境不需要如此，以及计算资源需与其他任务共享时。在这项工作中，我们提出了一种新的感知延迟感知估计器 (PLATE)，它在不同时刻使用不同的感知配置，以优化特定的性能度量。该度量考虑了感知延迟与精度之间的权衡，旨在实现质量与资源使用之间的良好折衷。与其他启发式跳帧技术相比，PLATE 具有形式化的复杂度和最优性分析。PLATE 的优势通过多项实验得到验证，包括在标准基准上使用真实数据和最先进的深度学习目标检测方法进行感知阶段的评估。