TrackingMiM：面向实时无人机目标跟踪的 Mamba-in-Mamba 高效序列化
计算机视觉与模式识别
2025-07-03 v1
摘要
Vision Transformer (ViT) 模型长期以来在面临二次复杂度挑战，这在无人机 (UAV) 跟踪系统中尤为关键，因为数据必须实时处理。本研究探索了最近提出的 State-Space Model Mamba，利用其计算效率和长序列建模能力，有效处理跟踪任务中稠密图像序列。首先，我们强调了现有基于 Mamba 方法中存在的时间一致性问题，具体而言，Mamba扫描机制未能考虑时间连续性。其次，基于这一洞察，我们提出 TrackingMiM，一种 Mamba-in-Mamba 架构，为处理跟踪问题的图像序列构建了一个计算负担最小的模型。在我们的框架中，Mamba 扫描以嵌套方式进行，独立处理具有时空一致性的 patch token。模板帧被编码为查询 token，并用于每个扫描中的跟踪。在五个无人机跟踪基准数据集上进行的大量实验表明，所提出的 TrackingMiM 在 UAV 跟踪中实现了最高的精度，同时在速度上也显著高于现有方法。
引用
@article{arxiv.2507.01535,
title = {TrackingMiM: Efficient Mamba-in-Mamba Serialization for Real-time UAV Object Tracking},
author = {Bingxi Liu and Calvin Chen and Junhao Li and Guyang Yu and Haoqian Song and Xuchen Liu and Jinqiang Cui and Hong Zhang},
journal= {arXiv preprint arXiv:2507.01535},
year = {2025}
}
备注
12 pages