面向热红外目标跟踪的基于关键细粒度特征信息的 Saliency 引导 Siamese 网络跟踪器
计算机视觉与模式识别
2025-04-22 v1
摘要
热红外（TIR）图像通常缺乏细节特征且对比度较低，导致常规特征提取模型难以捕获判别性目标特征。因此，跟踪器常受视觉相似目标干扰，易发生跟踪漂移。为此，本文提出一种基于关键细粒度特征信息的 Saliency 引导 Siamese 网络跟踪器。首先，引入一种双流架构和不同尺寸卷积核的细粒度特征并行学习卷积块，设计以捕获浅层的全局特征，增强特征多样性，最小化残差连接中细粒度信息的丢失。在此基础上，提出多层细粒度特征融合模块，使用双线性矩阵乘法有效整合深层与浅层特征。随后，引入 Siamese 残差细化块，通过残差学习纠正 Saliency 图预测误差。结合深度监督，该机制在每个递归步骤中逐步细化预测结果，确保准确性持续改进。最后，设计 Saliency 损失函数以约束 Saliency 预测，引导网络聚焦于高度判别性的细粒度特征。大量实验结果表明，所提出的跟踪器在 PTB-TIR 与 LSOTB-TIR 数据集上实现了最高的精度与成功率。在 VOT-TIR 2015 与 VOT-TIR 2017 基准测试中，分别达到 0.78 与 0.75 的顶级准确率。
引用
@article{arxiv.2504.14309,
title = {FGSGT: Saliency-Guided Siamese Network Tracker Based on Key Fine-Grained Feature Information for Thermal Infrared Target Tracking},
author = {Ruoyan Xiong and Huanbin Zhang and Shentao Wang and Hui He and Yuke Hou and Yue Zhang and Yujie Cui and Huipan Guan and Shang Zhang},
journal= {arXiv preprint arXiv:2504.14309},
year = {2025}
}