2.这类研究思路的代表有两种：（1）feature不融合，多尺度的feture分别进行预测，然后对预测结果进行综合，如Single Shot MultiBox Detector (SSD) , Multi-scale CNN(MS-CNN)（2）feature进行金字塔融合，融合后进行预测，如Feature Pyramid Network(FPN)等。1.浅层特征：浅层网络提取的特征和输入比较近，

2.这类研究思路的代表有两种：（1）feature不融合，多尺度的feture分别进行预测，然后对预测结果进行综合，如Single Shot MultiBox Detector (SSD) , Multi-scale CNN(MS-CNN)（2）feature进行金字塔融合，融合后进行预测，如Feature Pyramid Network(FPN)等。1.浅层特征：浅层网络提取的特征和输入比较近，

深度学习500问

如图 5 所示，随着运行时间的增加，其他算法均出现了速度下降、电量下降，温度升高的现象，但本文的 FEAR-XS 在这些指标上均能保持稳定（高速、耗电少、温度低）。实验表明，LightTrack 与手工设计的 SOTA 跟踪器（如 SiamRPN++ 和 Ocean）相比，可以实现更优越的性能，而需要的计算量和参数要少得多。特征提取部分使用轻量的 FBNet，特征融合部分设计了像素级别的融合，如图

2.这类研究思路的代表有两种：（1）feature不融合，多尺度的feture分别进行预测，然后对预测结果进行综合，如Single Shot MultiBox Detector (SSD) , Multi-scale CNN(MS-CNN)（2）feature进行金字塔融合，融合后进行预测，如Feature Pyramid Network(FPN)等。1.浅层特征：浅层网络提取的特征和输入比较近，