RGB-T 跟踪的组正交低秩自适应
计算机视觉与模式识别
2026-04-28 v2
摘要
参数高效微调已成为 RGB-T 跟踪中的一个有前景的范式，通过冻结预训练参数并仅微调少量参数来实现下游任务适配。这些参数构成一个由多个独立秩组成的秩空间，其表达能力直接影响模型的适应性。然而，定量分析表明低秩自适应在秩空间中存在显著冗余，许多秩几乎不提供实际信息。这阻碍了模型学习更多样化知识以应对 RGB-T 跟踪中各种挑战的能力。为解决这一问题，我们提出了面向 RGB-T 跟踪的组正交低秩自适应（GOLA）框架，通过结构化参数学习有效利用秩空间。具体而言，我们采用基于奇异值分解的秩分解划分策略来量化秩的重要性，冻结关键秩以保留预训练先验，并将冗余秩聚类为组以准备后续的正交约束。我们进一步设计了组间正交约束策略。该约束强制秩组之间保持正交，迫使它们学习互补特征以应对多样化挑战，从而缓解信息冗余。实验结果表明，GOLA 有效减少了参数冗余并增强了特征表示能力，在四个基准数据集上显著优于最先进方法，验证了其在 RGB-T 跟踪任务中的有效性。
引用
@article{arxiv.2512.05359,
title = {Group Orthogonal Low-Rank Adaptation for RGB-T Tracking},
author = {Zekai Shao and Yufan Hu and Jingyuan Liu and Bin Fan and Hongmin Liu},
journal= {arXiv preprint arXiv:2512.05359},
year = {2026}
}
备注
13 pages, 8 figures. Accepted by AAAI 2026. Extended version