低空无人机车辆目标跟踪技术研究

综上所述，对'低空无人机车辆目标跟踪技术'的研究，既是保障国家安全与公共安全的必然要求，也是驱动低空经济发展、赋能各行业智能化升级的重要支撑。本研究采用 TBD 范式，不仅在理论上推动人工智能与无人系统的深度融合，更在实践上具备广阔的战略价值与应用前景，有望在学术前沿探索与重大现实需求两个维度上实现同步突破。

低空无人机车辆目标跟踪技术旨在目标数量与类别未知的复杂环境下，从航拍视频中自动发现并持续跟踪车辆（或车辆编队）目标，为完成特定任务提供目标态势感知。这一技术过程通常包含目标发现、目标确定、特征提取、数据关联与轨迹更新等关键环节。

目标检测与跟踪是计算机视觉中两个紧密关联的核心任务。目标检测作为基础环节，负责从图像或视频中识别并定位感兴趣的目标，为跟踪提供起点；而跟踪则在此基础上对目标的运动进行建模与关联，确保在遮挡、模糊等复杂情况下仍能维持目标的身份标识。

2.1 无人机目标检测研究现状分析

目标检测是计算机视觉的基础环节，旨在从图像或视频中识别出感兴趣的目标，并精确提供其位置与类别信息。作为目标跟踪等高级任务的前序步骤，它负责从场景中发现并分离出待观测的目标。从算法演进来看，目标检测技术主要经历了从基于传统手工特征的方法，到性能更强大的深度学习模型。

2.1.1 基于传统手工设计特征的方法

基于传统手工设计特征的目标检测方法主要采用'人工设计特征 + 数学模型'的方式，主要由三个步骤组成：区域选取、特征提取、分类与回归。首先在区域选取阶段采用滑动窗口的方法对视频图像目标进行定位；然后，利用人工设计的特征提取方法提取选定区域目标特征，常用的图像特征有梯度方向直方图 HOG、Harr 特征、SIFT 特征、SURF 特征、LBP 特征等；最后利用相应的分类器（如支持向量机 SVM、AdaBoost、K 最近邻等）将区域特征映射到不同类别标签上，实现目标分类。图 2-1 基于传统手工特征的方法流程图。

图 2-1 基于传统手工特征方法流程图

Viola 等提出 VJ 算法，以 AdaBoost 算法为基础。该算法利用滑动窗口在一张图像上滑过所有可能的位置和尺寸，去检测是否在该窗口中包含人脸，该算法通过组合积分图像，特征选择和级联检测 3 种重要的技术有效降低计算复杂度，提高检测速度。Felzenszwalb 等在 HOG 算法基础上研究了 DPM 算法。DPM 是一种基于概率图模型的方法，通过对图像提取特征，针对某个目标制作出相应的激励模板，在原始的图像计算中，得到该激励效果图，根据激励的分布确定目标位置。该算法具有检测精准度高、速度快的优点。Elgammal 等提出了光流法，对目标和目标周围邻域背景之间的光流特性进行分析，实现对目标的检测。在背景分布不均的场景中目标和背景的光流特性明显，光流法具有良好的适应性和检测精度，但光流法计算复杂度较大，无法在嵌入式设备上运行。

虽然基于传统手工设计特征的目标检测方法在早期目标检测中发挥了重要的作用但由于其特性也存在一些限制。首先，在区域选择阶段通过利用滑动窗口对输入图像进行遍历生成候选框，遍历过程存在缺乏针对性、时间复杂度高、窗口冗余等不足；其次，手工设计的特征依赖于人为设计，适配于少量目标种类，对于繁杂的无人机视频目标泛化能力有限；第三，特征提取与分类器训练是分离的，难以实现目标检测任务的全局最优解，导致检测性能下降。

2.1.2 基于深度学习的目标检测算法

近年来，深度学习技术的突破极大地推动了目标检测与跟踪领域的发展，在民用和军事领域展现出广泛应用前景。这一趋势在高水平学术期刊中得到充分体现，大量相关成果发表于 CVPR、ICCV、ECCV、TPAMI、TIP、GRSM、TGRS、IJCV 等权威会议或期刊，为领域发展提供了坚实支撑。

随着卷积神经网络 CNN(Convolutional Neural Network) 在图像处理方面的应用，推动目标检测领域创新性突破。特别是在 2012 年，AlexNet 的成功应用，使卷积神经网络开始受到科研界的重视，并逐渐成为目标检测研究的热点。当前，在深度学习领域，目标检测算法主要分为两大类：基于候选区域的两阶段目标检测算法 (two stage detection) 和基于回归思想的一阶段目标检测算法 (one stage detection)。

（1）两阶段目标检测算法

两阶段目标检测算法也称基于候选区域的目标检测方法。这类算法通常因为其高检测精度和可靠性而被广泛应用于各种复杂的目标检测任务中。该算法将目标检测任务分为两个连续的阶段：第一阶段，通过选择性搜索获取候选区域，这些区域被认为可能包含目标对象；第二阶段通过分类器进行分类和边界框回归，从而获取目标的位置和类别，检测框架如图 2-2 所示。

图 2-2 两阶段目标检测算法框架

2014 年 Girshick R 等首次提出了基于卷积神经网络的目标检测算法 R-CNN(Regions with CNN Features)，该算法使用了 Selective Search 提取感兴趣区域，以较高的准确率开创了检测算法的新时代。但由于检测器需要对特征信息进行逐步提取，并且特征提取网络与支持向量机都需要单独训练，增加了网络的计算量，致使网络检测实时性不佳。针对上述问题何恺明等提出 SPP-Net 算法，通过引入空间金字塔网络结构，省略 R-CNN 算法生成候选区域过程中进行的裁剪、缩放等操作，解决 CNN 对于图像特征重复提取的问题，加速候选框的生成，降低计算复杂度，提高算法检测速度。Grishick R 等在 R-CNN 算法的基础上提出了直接对原始图像提取候选框的快速区域卷积神经网络 Fast R-CNN(Fast Region-based Convolutional Network) 算法。Fast R-CNN 将目标特征提取操作以及候选区域选取操作分成两部分进行，有效降低模型计算量。并且在卷积层后加入 ROI(Region of Interest) 池化，对输入的区域的候选目标进行尺度同化，将目标分类与回归同时进行，提升了检测速度。Ren S 等提出了 Faster R-CNN(Faster Region-based Convolutional Network) 加速区域卷积神经网络算法，采用 RPN(Region Proposal Networks) 网络来提取候选区域，将特征提取、候选区域生成、边界框回归整合在一个网络中，大幅提升算法的综合性能。在低空视频目标检测中基于候选区域的方法也有一定较好的表现，Guo 等借鉴特征金字塔网络 (FPN) 的思想，提出了多尺度特征金字塔网络，通过生成包含不同中间层特征的候选区域，并结合多尺度网络预测，进一步提高了低空图像检测精度。Ma 等针对现有深度学习模型在识别航空影像中面临诸如训练耗时过长和识别精度低等问题改进了 Faster-RCNN 模型，采用 Inception-ResNet-V2 作为特征提取器，替换了传统的 VGG16 特征提取器，旨在提高识别精度。

两阶段算法优点：一是高精度，两阶段检测方法由于能够对候选区域进行细粒度处理，通常能提供比单阶段检测方法更高的检测精度；二是鲁棒性，由于经过了初步筛选和细化处理，这类方法在应对复杂场景和小目标检测时表现出色。其不足是检测速率较慢且模型占用内存普遍较大，难以满足实时性的实际需求。

（2）一阶段目标检测算法

一阶段目标检测算法将任务视为回归问题。无需区域提议阶段，在生成预测框的同时进行区域类别判断，直接将目标定位和分类的问题转化为回归问题。避免两阶段算法中对候选区域筛选的步骤，模型复杂度低、检测速度快。但由于结构简单，检测能力略低。主要有以下几个步骤：首先，使用卷积神经网络 (CNN) 对输入图像进行特征提取。接着，在生成的特征图上直接预测一系列候选区域框，并评估每个框中目标类别的可能性及其位置偏移量。然后，通过对锚框进行分类和回归，筛选出最为准确的候选框。最后，输出最终的目标检测结果，检测框架如图 2-3 所示。

图 2-3 一阶段目标检测算法框架

OverFeat 是早期经典的一阶段目标检测方法，基于 AlexNet，通过多尺度滑动窗口实现特征提取，并共享特征提取层，从而提高了分类、定位和检测的准确率，实现了识别、定位、检测共用同一个网络框架。2016 年，Redmon J 等提出 YOLO 算法，被喻为一阶段检测范式革命。该算法将目标检测算法视作回归问题，通过将整个图像分割成多个网格，并对每个网格进行目标分类和边界框回归的预测，进而达到实时的要求。该系列算法模型结构相对简单，且在速度方面具有一定的优势，但在处理小目标检测上存在一定的缺陷。迄今 YOLO 系列算法发展到了 YOLOv11、YOLOv12 等版本。由于 YOLO 算法具有快速、简单的网络结构以及较低的计算要求，研究者们在之后不断改进这类算法，使得目标检测的性能不断提高。Zhang 提出了一种高效、轻量 YOLO 算法 LES-YOLO，采用 C2f 结合坐标注意力来聚焦于关键特征，设计 EMS-PAN（增强型多尺度 PAN）结构，丰富跨尺度信息并减少网络传输中的特征丢失。白宇等针对目标尺寸小的问题，对无人机航拍图像进行切片处理，提高每个切片中小目标的占比，提高了模型对小目标的识别能力。Zhang 等设计了一种新颖的跨层特征聚合模块 CFAM，弥补了特征金字塔中特征逐层传递仅关注前一层特征的缺陷，但提出的跨层特征聚合模块结构简单，特征聚合能力有限。总体上，YOLO 提出后，原来许多需要使用多阶段和自下而上方法的算法转变为端到端、自上而下的一阶段算法，使检测框架变得更快。

除了 YOLO 系列，W.Liu 等提出 SSD(Single Shot MultiBox Detector) 算法，使用全卷积网络，结合多锚点和多分辨率的技术，平衡了检测效率和检测性能，有效地提高了航拍图像中小目标的检测精度。但是由于 SSD 卷积层较少，模型缺少对深层信息的提取，限制了模型的检测性能。胡等将对比学习思想引入到 SSD 目标检测网络中，采用图像截块的方式随机截取样本图片中的目标图片与背景图片，将目标图像块与背景图像块输入到对比学习网络中提取图片特征进行对比损失计算，提高了背景和目标在特征空间中的区分度。通过对比 YOLO 和 SSD 发现，YOLO 适用于实时性要求较高的场景；SSD 适用于对小目标检测精度具有较高要求的场景。

Carion 等提出首个基于 Transformer 的端到端目标检测模型 DETR，DETR 的核心优势在于其端到端的检测范式与强大的全局建模能力。它摒弃了锚框和非极大值抑制等传统手工设计组件，将目标检测简化为一个直接的集合预测问题，这不仅大幅简化了检测流程，还避免了 NMS 带来的计算开销与超参调优。同时，得益于 Transformer 的编码器 - 解码器结构，DETR 能够通过自注意力机制对图像全局上下文进行建模，从而在处理遮挡目标和复杂场景时表现出更强的鲁棒性。明显的不足是训练收敛很慢并且由于 Transformer 关注于全局的信息特征，对细粒度特征不敏感，因此其对小物体检测性能差。Li 等提出 Lite DETR，引入的关键感知变形注意力 (key-deformable attention，KDA) 增强了跨尺度特征融合，进一步提升了小目标的检测性能。Zhang 等提出 SD-DETR(spatially decoupled DETR) 通过解耦特征学习对分类和定位过程进行分离，解决了 DETR 中分类和定位任务之间的特征和预测错位的问题，提升了检测精度和稳定性。Ouyang 等提出了 DEYO，即 DETR 与 YOLO 相结合的单阶段检测模型。DEYO 采用了一种创新的分步训练策略，首先利用 YOLOv8 进行预训练来初始化模型的骨干和颈部网络，然后在第二阶段冻结这些部分并专注于训练基于 Transformer 的解码器。这种逐步训练方法不仅提升了模型性能，还显著降低了训练成本，加快了模型的收敛。

从上述无人机目标检测领域发展历程来看，传统目标检测算法的特征提取能力有限，难以充分表达目标的多样性和复杂性，导致在处理复杂环境下的鲁棒性较差。两阶段目标检测算法检测精度高、定位精确、共享计算量、参数可单独优化，但需要较多的计算资源和时间，且在处理小目标和遮挡目标时性能不佳。而一阶段目标检测算法运行速度快、背景干扰小、学习目标的泛化特征能力强，但精度低、在小目标检测方面存在一定的局限性。

2.2 无人机目标跟踪研究现状分析

无人机目标跟踪是计算机视觉领域的热点之一，该任务通过处理视频序列中的连续帧图像，推断目标运动状态和轨迹并持续跟踪目标。根据任务类型不同可分为单目标和多目标两类。

2.2.1 单目标跟踪研究现状

单目标跟踪是在视频序列中给定一个目标初始状态作为模板，结合目标模板信息持续跟踪这个目标的位置。一般是短期跟踪，不支持重新检测，丢失后，就跟踪失败。主流的算法包括相关滤波方法、基于 CNN 与 Siamese 结合的方法等。

（1）基于相关滤波的方法

基于相关滤波的目标跟踪算法基本思想是使用模板匹配来追踪目标，利用预先设计的滤波模板与目标候选区域做相关运算，得到最大输出响应的位置即为当前帧的目标位置。Bolme 等提出 MOSSE 算法，首次将相关滤波应用于目标跟踪，利用目标的多个样本作为训练样本，以生成更优的滤波器。此后，相关滤波被越来越多的学者用于跟踪，相继提出了 CSK、KCF/DCF、SAMF、DSST、C-COT 等许多优秀的算法。

基于传统特征提取与相关滤波结合的方法成为无人机目标追踪任务早期的标准框架，研究人员针对无人机低空场景的域差异与任务挑战，提出了诸多改进方案。TECF 将 HOG、CN 和灰度特征进行加权融合，增强目标表征。TRBCF 采用了一种基于信道响应图的多特征融合机制，对 BACF 算法进行时间正则化，以选择性地突出对象特征。FACF 引入 PSR 和时序响应平滑因子衡量时空可靠性，动态融合 HOG 和 CN 特征对应的响应图。邵等提出一种融合图像增强的正则化无人机相关滤波目标跟踪算法，实现了在光线变化和光照不足的情况下对航拍目标的鲁棒跟踪。贺等提出了一种显著性感知三重正则化相关滤波 (TRCF)UAV 目标跟踪算法。采用高效的显著性目标检测算法动态生成对偶空间正则化器来抑制边界效应，惩罚不相关的背景噪声系数。引入时间正则化应对目标因外观变化而导致的滤波器退化问题，提供更鲁棒的外观模型。

相关滤波算法最引人注目的特点就是其极高的运算效率，该算法通过将图像转换到频域，并利用快速傅里叶变换将复杂的卷积操作转化为简单的点乘运算，实现了高帧率的实时处理能力。然而，其循环移位采样，具有边界效应缺陷：为了追求速度而生成的虚拟样本，使得滤波器会学习到错误的背景信息，一旦背景复杂或剧烈变化，跟踪器就极易发生漂移甚至失败。此外，相关滤波还面临尺度变化和严重遮挡处理能力差、特征表达能力有限、模型退化等问题。

（2）基于孪生网络的方法

孪生网络 (Siamese) 是衡量两个输入的相似程度的算法，Siamese 架构以目标样本和搜索区域两个信号为输入，在两个分支中使用 CNN 层进行相似性匹配，输出是一个 [0,1] 的浮点数，表示二者的相似程度。Bertinetto 等提出的 SiamFC 算法是第一个构建了完全卷积的 Siamese 跟踪网络，使用全卷积神经网络和孪生网络结构来生成目标可能位置的热力图，从而确定目标位置，如图 2-4 所示。SiamFC 有两个分支对应两个输入为 z 和 x，将他们同时输入进行φ的计算，这里的作用就是进行特征提取，分别生成 6×6×128 和 22×22×128 的 featuremap。φ所对应的特征提取网络采用的是 AlexNet，将生成的 featuremap 输入互相关层生成 scoremap。随着研究的深入也出现了 SiamRPN、SiamMask、SiamFC++ 等经典算法。

图 2-4 SiamFC 网络架构图

针对无人机场景的跟踪任务，很多研究者在特征提取、精准定位及轻量化等方面进行了改进。MLPS 认为基于 Siamese 网络的方法容易丢失小目标地细节，因此在多级预测 Siamese 网络中添加残差特征融合块和层注意力融合块。MaSiamRPN 提出运动感知 Siamese 框架，结合卡尔曼滤波，采用 8 维状态向量进行运动建模，利用历史轨迹预测目标状态。F-SiamFC++ 基于 Fisher 信息准则对滤波器进行剪枝压缩，显著提升了网络的实时速度。

基于 Siamese 对称网络的目标跟踪算法在计算机视觉跟踪领域具有重要意义。该网络采用孪生结构，能够使用同一套参数对相似图像进行高效拟合，从而实现快速学习与跟踪，为后续研究提供了有效的网络模板。其核心思想是'通过比较衡量相似性'，这一机制使其天然适用于小样本学习。由于模型学习的是样本间的'相似度'而非具体'类别'，因此对新类别仅需少量样本即可通过比对实现识别，不仅具备强泛化能力，也自然缓解了类别不平衡问题。然而，该结构也带来相应挑战：网络本质是比较器而非分类器，无法直接进行端到端分类，必须依赖与参考样本的逐一比对；推理效率受参考集规模制约，候选类别增多时会显著增加计算负担；训练过程需精心设计样本对，负样本挖掘尤为关键，样本难度不当易导致训练不稳定或收敛缓慢。

2.2.2 多目标跟踪研究现状

多目标跟踪算法是指在视频序列中同时跟踪多个具有语义的对象的过程。它涉及视频帧中的多个目标，并在连续帧之间建立目标的轨迹，以跟踪它们的运动和行为。在通用场景下的多目标跟踪根据网络结构可以分为基于检测的跟踪 (Tracking By Detection，TBD) 方法、联合检测与跟踪 (Joint Detection and Tracking，JDT) 方法、基于 Transformer 的跟踪方法等。

（1）基于检测的跟踪方法

基于检测的跟踪 (TBD) 方法将检测和跟踪视为两项独立的任务。跟踪过程首先使用高性能检测器 (如 YOLO、Faster RCNN) 识别每帧中潜在的感兴趣目标，然后使用追踪器算法将检测到的物体跨连续帧进行关联，该算法采用多种线索（运动、位置、外观等）执行数据关联。流程如图 2-5 所示。

图 2-5 TBD 框架的多目标跟踪流程图

TBD 方法的代表作 SORT(Simple Online and Realtime Tracking) 算法，利用卡尔曼滤波器对上一帧中的轨迹进行位置预测，之后用目标位置之间的交并比 IoU 来进行距离度量，使用匈牙利算法解决分配问题。该方法简单、计算量少，能够做到高帧率跟踪，但由于缺乏目标的表观特征，目标 ID 关联不稳定、切换频繁。Nicolai 等提出 DeepSORT 算法，使用由宽残差网络学习得到的包含目标外观特征的深度关联度量，在匹配模块增加级联匹配，并引入了行人重识别模型，使一部分被遮挡目标可以重新识别。ByteTrack 基于 YOLOX 进行高效检测，它采用一种新的数据关联方法，区分高置信度检测框与低置信度检测框，能够更好地处理目标丢失和跟踪精度，尤其是在目标密集和遮挡的情况下。

为了进一步适用于无人机场景中的多目标跟踪，研究者从外观特征、空间特征、运动特征等多个角度进行了算法研究。Hashempoor 等基于 DeepSORT 进行了升级优化提出 FeatureSORT 算法，结合更强的检测器同时，提出先进后处理的方法来提升跟踪器性能，并增加多个检测不同外观的特征模块用于 ReID 网络，有效地提升了算法的跟踪性能。Aharon 等提出 BoT-SORT 算法，以 ByteTrack 为基线针对相机抖动导致的图像模糊情况，在跟踪前进行了相机运动补偿，并提出了一种融合 IOU 和外观距离的匹配度量，跟踪效果有所提升但是此过程耗时较长。UAVMOT 设置了卡尔曼滤波匹配数阈值，区分近似线性的正常模式和非线性的异常模式，对于异常模式通过目标的局部相对位置向量进行关联。

TBD 是基于检测的跟踪范式，因其模块化、高精度和与深度学习检测器天然契合的优势，已成为多目标跟踪的主流方法。它通过将复杂的跟踪任务分解为'检测'与'关联'两个相对独立的子任务，简化了系统设计并赋予了其强大的灵活性和可扩展性。其性能瓶颈主要在于检测质量和数据关联的鲁棒性。此外，在目标密集、遮挡严重及运动模式复杂的场景下（尤其是无人机视角），数据关联的难度会急剧增加。因此，在无人机航拍这一特定挑战性场景中应用 TBD 范式，未来的核心研究方向在于：设计对尺度变化鲁棒的轻量级检测器、开发能够适应剧烈运动和频繁遮挡的智能关联策略，并在整个系统层面进行高效的工程优化，以在精度、鲁棒性和实时性之间寻求最佳平衡。

（2）联合检测与跟踪方法

为了减轻检测结果对多目标跟踪性能的影响，联合检测与跟踪方法 (Joint Detection and Tracking, JDT) 应运而生，JDT 框架将检测和跟踪任务通过单个网络模型同时进行，实现两者的紧密结合。检测任务和 ReID 任务不再是相互独立的，而是一起训练、共同优化。减少了分阶段处理的复杂度，同时增强了各组件间的关联性。结构如图 2-6 所示。

图 2-6 联合监测与跟踪的方法

基于 TBD 的 MOT 算法将目标检测和特征提取分开，速度较慢，不适合在线跟踪的问题，Wang 等提出了 JDE(Joint Detection and Embedding) 方法，将外观模型合并到检测模型中，在处理目标检测任务的同时，用同一个网络学习一个嵌入 (embedding) 空间，这个嵌入空间用来表征视频每一帧中的各个目标的外观信息 (即目标的 ReID 特征）。Zhou 等提出了一个基于点的联合检测和跟踪框架 CenterTrack，其采用基于点的检测器来定位目标的中心，然后用这个中心点来表示一个目标。CenterTrack 同时输入当前帧的图像和上一帧的图像，并且将上一帧图像的目标中心分布热图 (heatmap) 作为先验信息，最后通过计算相邻帧中的目标中心点的位移来匹配目标身份，但该方法未利用目标嵌入特征，导致目标 ID 切换频繁。Zhang 等提出 FairMOT 框架，使用基于 CenterNet 的无锚框检测网络，同时增加两个网络分支分别用于检测目标和 ReID 特征的提取，该算法在增强泛化和跟踪性能的同时保持了较好实时性。

JDT 范式是多目标跟踪领域为突破传统'跟踪 - 检测 - 关联'框架效率瓶颈而提出的新思路。其核心在于将原本分离的检测与关联任务整合到一个统一的网络中进行协同学习，从而实现了从特征提取到目标关联的深度共享与优化。优势在于其极高的计算效率与架构简洁性。特征共享避免了重复计算，使其推理速度远超传统方法，满足了实时监控等场景要求。同时，端到端的设计带来了全局优化的潜力，特征对齐也更为精准。然而，其内在的任务冲突--检测任务和 ReID 任务（或关联任务）的目标存在内在矛盾，容易导致特征学习时的性能折衷。此外，还面临训练复杂、灵活性不足以及对密集场景适应性较弱等问题。

（3）基于 Transformer 的跟踪方法

随着研究的不断深入基于 Transformer 的目标跟踪方法近年来在学术领域引起了广泛关注。相比于传统的卷积神经网络，Transformer 能够更好地捕捉长距离依赖关系，从而提高目标跟踪的鲁棒性和准确性。Sun 等提出的 TransTrack 是首个基于 Transformer 的多目标跟踪算法，该算法利用 Query-Key 机制并通过两个解码器分别作用与检测与跟踪两个分支，然后形成检测框和跟踪框用于 IoU 匹配并完成跟踪任务，实现了对当前帧中已存在目标的追踪，同时完成新目标的检测。Hu 等提出的 FFTransMOT 通过使用特征融合模块，可以融合当前几帧的信息用于增强目标特征的鲁棒性，同时解码器也能够利用融合的特征来匹配 目标从而增强模型的跟踪性能。徐等提出了一种融合上下文感知注意力的 Transformer 目标跟踪方法，该方法引入 SwinTransformer 以提取视觉特征，利用跨尺度策略整合深层与浅层的特征信息，提高网络对复杂场景中目标表征能力。

总之，Transformer 架构在目标跟踪领域展现出显著优势，其核心在于能够通过自注意力机制有效建模目标在连续帧间的时空关系，捕捉长期依赖与动态变化，从而提升复杂场景下的跟踪准确性与鲁棒性。同时，该架构具备强大的多尺度特征融合能力与良好的序列泛化能力，为处理目标遮挡、形变等挑战提供了有效解决方案。然而，其自注意力机制的计算复杂度较高，对硬件算力与内存资源需求大，导致算法在无人机、自动驾驶等实时应用场景中难以满足任务实时性的需求。

引用文献