Die Verfolgung von Einzelobjekten in komplexen Szenen steht vor Herausforderungen wie drastischen Zielskalenvariationen und starker Hintergrundstörung. Um diese Probleme anzugehen, wird ein Objektverfolgungsalgorithmus vorgeschlagen, der auf Multi-Scale-Attention und adaptiver Fusion basiert. Die Methode integriert ein Multi-Scale-Attention-Modul und ein adaptives Gate-Fusionsmodul, das die adaptive Erfassung von Schlüsselmerkmalen und die dynamische Anpassung der Fusionsgewichte über mehrstufige Merkmale ermöglicht. Dies hebt effektiv Zielregionen hervor, unterdrückt redundante Informationen und verbessert die diskriminative Fähigkeit und Robustheit des Modells unter komplexen Hintergründen und verdeckten Szenarien. Experimente werden an den Datensätzen OTB100 und UAV123 durchgeführt. Die Ergebnisse zeigen, dass der vorgeschlagene Algorithmus im Vergleich zum Basislinienmodell die Erfolgsquote und Präzision um 1,9 % bzw. 3,3 % auf OTB100 und um 2,9 % bzw. 3,5 % auf UAV123 verbessert. Darüber hinaus erzielt er eine überlegene Leistung bei typischen herausfordernden Attributen wie verdeckten Objekten, Skalierungsvariationen und Hintergrundgeräuschen. Zusammenfassend verbessert der vorgeschlagene Algorithmus sowohl die Verfolgungsgenauigkeit als auch die Robustheit und bietet einen praktikablen Ansatz für die Objektverfolgung unter komplexen Bedingungen.
Zhang et al. (Tue,) untersuchten diese Frage.