SpikeTrack：面向高效视觉跟踪的基于放电的框架
计算机视觉与模式识别
2026-03-02 v1
摘要
脉冲神经网络（SNN）承诺实现能源高效的视觉处理，但将其应用于 RGB 视觉跟踪仍存困难：现有 SNN 跟踪框架要么未充分对齐脉冲驱动计算，要么未充分利用神经元的时空动态，导致效率与准确率之间存在权衡。为此，我们引入 SpikeTrack，一个用于能源高效 RGB 目标跟踪的脉冲驱动框架。SpikeTrack 采用一种新颖的非对称设计，利用非对称时间步展开和单向信息流，既发挥时空动态优势，又大幅降低计算开销。为确保分支之间实现有效的单向信息传输，我们设计了一个受神经推断机制启发的记忆检索模块。该模块反复查询以模板初始化的紧凑记忆，以检索目标线索并随时间锐化目标感知。大量实验表明，SpikeTrack 在 SNN 基于跟踪器中实现了最先进水平，仍与先进的 ANN 跟踪器保持竞争力。值得注意的是，它在 LaSOT 数据集上超越 TransT，而能耗仅为其的一半。据我们了解，SpikeTrack 是首个实现 RGB 跟踪同时高准确率和高能源效率的脉冲驱动框架。代码和模型已公开于 https://github.com/faicaiwawa/SpikeTrack。
关键词
引用
@article{arxiv.2602.23963,
title = {SpikeTrack: A Spike-driven Framework for Efficient Visual Tracking},
author = {Qiuyang Zhang and Jiujun Cheng and Qichao Mao and Cong Liu and Yu Fang and Yuhong Li and Mengying Ge and Shangce Gao},
journal= {arXiv preprint arXiv:2602.23963},
year = {2026}
}
备注
Accepted by CVPR2026