摘要: 针对目前基于Siamese结构的目标跟踪计算量大且不能实现模板与搜索区域间充分信息交融的问题, 提出基于重参数网络的transformer目标跟踪算法. 首先采用重参数法降低跟踪过程中骨干网络计算量, 训练时采用多分支并行结构, 测试跟踪过程中使用重参数法将多分支并行结构重构成单分支串行结构; 然后对骨干网络提取的模板特征图和搜索区域特征图, 使用Transformer结构进行自注意力加强, 通过交叉注意力层实现像素级信息交融; 最后将完成充分交融的信息映射到分类分支, 中心度估计分支与边框回归分支. 其中边框回归分支采用最新的CIoU-Loss进行训练, 使得跟踪算法精确度更高, 有更强的鲁棒性同时满足实时性. 实验结果表明, 所提算法在大规模基准数据集GOT-10k上平均重叠率为0.606, 超越SiamFC++算法1. 1%; 在大规模数据集LaSOT上成功率、归一化精确度、精确度分别达到0.554, 0.659和0.581, 分别超越SiamFC++算法1. 0%, 3.6%和3.4%.