TMM 2024 | 基于多层注意力聚合暹罗网络的鲁棒RGBT跟踪学习

主要观点总结

本文介绍了基于多层注意力聚合暹罗网络的RGBT跟踪学习，包括其创新点、架构、实验等。作者提出了一种新颖的决策级多层注意力聚合暹罗网络，用于稳健的RGBT跟踪。

关键观点总结

关键观点1: 论文提出多层注意力聚合暹罗网络，用于RGBT跟踪，实现高性能和快速运行速度。

该网络通过设计分层注意力网络和贡献感知聚合网络，提供多层次抽象，并重新校准多层特征的特征通道，从而学习到更具鲁棒性的特征表示。

关键观点2: 论文构建分层交互通道注意力网络，为目标提供多层次抽象，并重新校准多层特征。

该网络通过引入通道注意力网络，可以突出更具判别性的特征并提高特征的稳健性。

关键观点3: 论文设计贡献感知聚合网络，自适应融合RGB和热成像模态的响应，充分利用它们的互补优势。

该网络通过自适应地学习每个模态的可靠性，有效地融合不同的模态信息，提升跟踪性能。

关键观点4: 论文在四个具有挑战性的基准数据集上进行广泛实验，证明所提出网络相较于其他先进跟踪器性能更优。

实验结果证明了该网络的有效性和优越性。

免责声明