用于长航时无人机跟踪的检测器增强 SAMURAI
计算机视觉与模式识别
2026-01-09 v1
摘要
鉴于无人机威胁潜力的不断增加，鲁棒的长航时无人机跟踪是现代监视系统的关键需求。基于检测的方法通常能获得较强的帧级精度，但常因频繁的检测丢失而导致时间不一致性。尽管具有实际相关性，基于 RGB 的无人机跟踪研究仍然有限，且很大程度上依赖于传统的运动模型。同时，诸如 SAMURAI 等基础模型已在其他领域确立了其有效性，展现出强大的类别无关跟踪性能。然而，它们在无人机特定场景中的适用性尚未得到研究。受此差距的启发，我们对 SAMURAI 在城市监视环境中实现鲁棒无人机跟踪的潜力进行了首次系统评估。此外，我们引入了 SAMURAI 的检测器增强扩展，以减轻其对边界框初始化和序列长度的敏感性。我们的研究结果表明，所提出的扩展显著提高了复杂城市环境中的鲁棒性，在长航时序列中具有显著优势——尤其是在无人机离开-再进入事件下。检测器线索的引入在各个数据集和指标上均使 SAMURAI 的零样本性能获得了一致的提升，成功率提升高达 +0.393，FNR 降低高达 -0.475。
引用
@article{arxiv.2601.04798,
title = {Detector-Augmented SAMURAI for Long-Duration Drone Tracking},
author = {Tamara R. Lenhard and Andreas Weinmann and Hichem Snoussi and Tobias Koch},
journal= {arXiv preprint arXiv:2601.04798},
year = {2026}
}
备注
Accepted at the WACV 2026 Workshop on "Real World Surveillance: Applications and Challenges"