MambaNUT：基于Mamba架构的夜间无人机跟踪方法
计算机视觉与模式识别
2025-05-13 v3
摘要
利用低光增强与域适应技术，夜间无人机跟踪取得了显著进展。然而，过度依赖图像增强、夜间数据稀缺以及日夜跟踪器集成不足，阻碍了端到端可训练框架的发展。此外，当前基于ViT的跟踪器因依赖自注意力机制，需耗费大量计算资源。本文提出一种新颖的纯Mamba基跟踪框架（MambaNUT），其采用线性时间复杂度的状态空间模型作为骨干网络，集成单流架构，在Vision Mamba中实现特征学习与模板-搜索耦合。我们引入自适应课程学习（ACL）方法，通过动态调整采样策略与损失权重，提升模型的泛化能力。ACL包含两个层级的课程调度器：（1）采样调度器将数据分布从不平衡转化为平衡，并从较易（日间）样本过渡到较难（夜间）样本；（2）损失调度器根据训练集规模与单个实例的IoU动态分配权重。在多个夜间无人机跟踪基准测试上进行的详尽实验表明，所提MambaNUT在保持较低计算成本的同时，以卓越性能实现了最先进水平。代码将发布于 https://github.com/wuyou3474/MambaNUT。
引用
@article{arxiv.2412.00626,
title = {MambaNUT: Nighttime UAV Tracking via Mamba-based Adaptive Curriculum Learning},
author = {You Wu and Xiangyang Yang and Xucheng Wang and Hengzhou Ye and Dan Zeng and Shuiwang Li},
journal= {arXiv preprint arXiv:2412.00626},
year = {2025}
}