BihoT:一个大规模的数据集和对超谱伪装物体跟踪的基准
概括
这项研究引入了超光谱伪装物体跟踪 (HCOT) 和一个新的数据集,BihoT,以解决现有的超光谱物体跟踪 (HOT) 方法的局限性. 拟议的基于光谱提示的干扰器识别网络 (SPDAN) 在具有挑战性的伪装场景中实现了最先进的性能.
科学领域:
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
- 机器学习 机器学习
背景情况:
- 超光谱物体跟踪 (HOT) 对于识别伪装物体至关重要.
- 现有的HOT数据集经常表现出偏差,偏好视觉而不是光谱特征,在具有挑战性的场景中限制追踪器性能.
- 这种偏差使追踪器在视觉线索不可靠时无法有效利用光谱信息.
研究的目的:
- 引入了一个新的任务:超光谱伪装物体跟踪 (HCOT).
- 专门为HCOT开发一个大规模数据集 (BihoT),包括多种伪装场景,相似的外观,多种频谱和频繁的遮.
- 提出一种新的基线模型,即基于光谱提示的干扰器意识网络 (SPDAN),以应对HCOT的挑战.
主要方法:
- 构建了BihoT数据集,包含49个视频序列中的41,912个高光谱图像 (HSI).
- 开发了SPDAN,包括用于光谱空间特征提取的光谱嵌入网络 (SEN),用于使用光谱提示器微调RGB跟踪器的光谱提示器基础骨干网络 (SPBN),以及用于处理遮蔽和分心器的干扰器意识模块 (DAM).
- SEN使用3D和2D卷曲;SPBN利用光谱提示来减轻训练样本稀缺性;DAM使用一种新的统计和运动预测器来纠正性能退化.
主要成果:
- 在BihoT数据集上,SPDAN展示了最先进的性能.
- 拟议的模型还在其他现有的HOT数据集上取得了卓越的结果.
- 在超光谱伪装物体跟踪中SPDAN的有效性通过广泛的实验得到了验证.
结论:
- 新的HCOT任务和BihoT数据集为在具有挑战性的伪装场景中评估追踪器提供了强大的基准.
- SPDAN为超光谱物体跟踪提供了有效的解决方案,特别是当物体被伪装并且视觉特征不可靠时.
- 基于光谱提示的方法和分心感知机制显著提高了复杂环境中的跟踪精度.
