MemLoTrack:通过内存集成的低级适应来增强TIR反无人机跟踪
Jae Kwan Park1, Ji-Hyeong Han2
1Department of Defense AI Convergence Engineering, Seoul National University of Science and Technology, Seoul 01811, Republic of Korea.
Sensors (Basel, Switzerland)
|December 11, 2025
概括
MemLoTrack 增强了无人机 (UAV) 在热红外 (TIR) 图像中的跟踪功能,使用一个新的存储机制在一个参数有效的框架内进行跟踪. 这种方法提高了跟踪的准确性和稳定性,使在具有挑战性的环境中实现实时性能.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 在热红外 (TIR) 图像中追踪小型,快速移动的无人机 (UAV) 存在重大挑战,原因是低分辨率目标,动态背景杂乱和频繁的遮蔽.
- 现有的跟踪方法经常与TIR环境的复杂性作斗争,需要在强大和高效的跟踪算法方面取得进展.
研究的目的:
- 介绍MemLoTrack,这是一款全新的在线视觉变压器跟踪器,具有集成的内存机制,用于在TIR图像中增强无人机跟踪.
- 通过一个参数高效的框架,通过解决诸如低分辨率目标,背景杂乱和遮等挑战来提高跟踪性能.
主要方法:
- 开发了MemLoTrack,它包含一个封闭的First-In,First-Out (FIFO) 存储库,用于时间上下文聚合,以及一个轻量级的Memory Attention Layer (MAL) 用于信息检索.
- 实施了选择性内存更新策略,使用分类置信值和基于卡尔曼波器的运动一致性检查来防止内存污染.
- 通过仅更新LoRA适配器,MAL和预测头来利用参数高效的微调,同时保持预训练的DINOv2骨干结.
主要成果:
- 在Anti-UAV410基准测试中,MemLoTrack实现了63.6的曲线下面面积 (AUC) 和64.0的状态精度 (SA),超过了LoRAT基线的1.4 AUC和1.5 SA.
- 与最先进的FocusTrack方法相比,表现出优越的稳定性,AUC (63.6与62.8) 和SA (64.0与63.9) 较高.
- 在单个RTX 4070 Ti SUPER上实现了153 FPS的实时性能,展示了参数高效微调和选择性内存机制的效率.
结论:
- MemLoTrack提供了一种强大且可部署的策略,用于在苛刻的TIR环境中实时进行反无人机跟踪.
- 选择性记忆机制在参数效率框架中的集成显著提高了追踪稳定性和准确性,用于挑战视觉数据.
