DCFG：基于跨通道细粒度特征学习和渐进融合的热红外目标跟踪器
计算机视觉与模式识别
2025-04-22 v1
摘要
为解决在热红外（TIR）跟踪中捕获高度判别特征的挑战问题，本文提出一种基于跨通道细粒度特征学习和渐进融合的新型单目跟踪器。首先，我们引入一种跨通道细粒度特征学习网络，采用掩码和抑制系数来抑制主导目标特征，从而使跟踪器能够捕获更详细和细微的信息。该网络采用通道重新排列机制以增强信息的有效流动，并结合通道均衡化以减少参数数量。此外，我们引入逐层组合单元以实现有效的特征提取和融合，从而最小化参数冗余和计算复杂度。该网络进一步采用特征重定向和通道洗牌策略以更好地整合细粒度细节。其次，我们提出一种针对跨通道细粒度损失函数，旨在引导特征组聚焦于目标的不同判别性区域，从而提高整体目标表征。该损失函数包含一种信道间损失项，可在信道之间促进正交性，从而最大化特征多样性并促进更细致的细节捕获。大量实验表明，我们提出的跟踪器在VOT-TIR 2015和VOT-TIR 2017基准测试中分别取得最高准确率（0.81和0.78），在LSOTB-TIR和PTB-TIR基准测试中也超越了其他方法。
引用
@article{arxiv.2504.14311,
title = {DCFG: Diverse Cross-Channel Fine-Grained Feature Learning and Progressive Fusion Siamese Tracker for Thermal Infrared Target Tracking},
author = {Ruoyan Xiong and Yuke Hou and Princess Retor Torboh and Hui He and Huanbin Zhang and Yue Zhang and Yanpin Wang and Huipan Guan and Shang Zhang},
journal= {arXiv preprint arXiv:2504.14311},
year = {2025}
}