Transformer跟踪器采用全局注意力机制时,常因目标形变导致特征判别性下降,引发目标和背景混淆.针对此问题,文中提出基于动态语义聚类关系建模的目标跟踪方法.首先,构建语义关系建模模块,通过特征空间中局部注意力聚焦语义相近的特征向量,有效抑制目标与干扰背景的错误交互.然后,利用图神经网络捕捉局部关联性,设计动态语义聚类模块,自适应生成语义类别划分,实现动态注意力突出目标和背景的鉴别信息.最后,设计语义背景消除模块,在关系建模过程中有效抑制背景特征干扰,提升跟踪效率.在6个基准数据集上的大量实验表明,文中方法性能较优.

在现代数据分析与机器学习应用中,如何对新采样数据提取关键信息以进行高效分组、标注,是聚类算法面临的核心挑战之一.传统无监督聚类算法缺乏先验信息指导,难以满足复杂任务(如大模型预训练)对高质量数据的需求.主动学习方法可有效提升聚类精度,但高昂的人机交互成本和计算开销限制其实际应用.为此,文中提出基于改进最近邻图的主动聚类方法(Active Clustering with Tailored Nearest Neighbor Graph, ACNNG).ACNNG构造稀疏的最近邻图结构,刻画数据之间的关联.在该图的基础上,综合计算节点拓扑结构中心性和分组不确定性,有效识别关键数据点,并向用户寻求少量成对约束标注,显著提升聚类准确性.此外,ACNNG使用与最近邻图结构协作的高效标签传播机制,利用稀疏图结构实现低成本的标签扩展,大幅降低方法的时空复杂度,提升其在大规模数据处理中的可扩展性.在真实世界数据集与合成数据集上的实验表明,ACNNG不仅能利用较少的成对约束提高聚类准确性,而且运行时间较短,内存消耗较少,在实际场景中具有一定的应用潜力.