CGTrack：面向无人机跟踪的级联门控网络与层次化特征聚合
计算机视觉与模式识别
2025-05-12 v1
摘要
视觉目标跟踪的最新进展显著提升了无人机（UAV）跟踪的能力，这是现实世界机器人应用中的关键组成部分。虽然集成层次化轻量级网络已成为提升无人机跟踪效率的主流策略，但这通常会导致网络容量显著下降，进一步加剧无人机场景中的挑战，例如频繁遮挡和视角的剧烈变化。为解决这些问题，我们引入了一个名为 CGTrack 的新型无人机跟踪器系列，它结合了显式和隐式技术，在由粗到精的框架内扩展网络容量。具体而言，我们首先引入了一个层次化特征级联（HFC）模块，该模块利用特征复用的思想，通过整合深层语义线索与丰富的空间信息来增加网络容量，在增强特征表示的同时仅带来极小的计算成本。在此基础上，我们设计了一种新颖的轻量级门控中心头（LGCH），它利用门控机制从先前扩展的、包含密集局部判别信息的特征中解耦出面向目标的坐标。在三个具有挑战性的无人机跟踪基准上的大量实验表明，CGTrack 在快速运行的同时实现了最先进的性能。代码将开源在 https://github.com/Nightwatch-Fox11/CGTrack。
引用
@article{arxiv.2505.05936,
title = {CGTrack: Cascade Gating Network with Hierarchical Feature Aggregation for UAV Tracking},
author = {Weihong Li and Xiaoqiong Liu and Heng Fan and Libo Zhang},
journal= {arXiv preprint arXiv:2505.05936},
year = {2025}
}
备注
Accepted by ICRA 2025