【儀表網(wǎng) 研發(fā)快訊】視覺目標(biāo)跟蹤是計算機視覺的一項基礎(chǔ)任務(wù)，其目標(biāo)是在連續(xù)視頻幀中持續(xù)定位某一特定物體或區(qū)域，在自動駕駛、安防監(jiān)控等領(lǐng)域具有重要應(yīng)用價值。然而，受目標(biāo)形變、遮擋、外觀劇烈變化等因素影響，僅依靠初始模板的傳統(tǒng)跟蹤方法往往魯棒性不足，通常需要引入歷史幀的時空信息來提升跟蹤穩(wěn)定性。
 

　　現(xiàn)有方法在利用時空信息時又普遍面臨兩方面問題：一方面，時空模塊與骨干網(wǎng)絡(luò)深度耦合，往往需要從頭進行全參數(shù)重訓(xùn)練，訓(xùn)練成本高昂；另一方面，引入專門的時空處理模塊會增加推理復(fù)雜度，且推理時需在骨干網(wǎng)絡(luò)之后串行執(zhí)行，導(dǎo)致推理延遲增大，難以在高性能骨干網(wǎng)絡(luò)上取得令人滿意的效果。
 

　　針對這一問題，中國科學(xué)院沈陽自動化研究所光電信息技術(shù)研究室科研團隊提出了一種即插即用的視覺跟蹤框架 PNPTrack，該方法在無需全參數(shù)重訓(xùn)練，也無需額外引入時空處理模塊的前提下，仍能有效利用時空信息提升跟蹤的穩(wěn)定性和精度。
 

　　科研團隊將骨干網(wǎng)絡(luò)的編碼器劃分為淺層與深層兩部分：淺層編碼器在訓(xùn)練中保持凍結(jié)、不參與時空交互，從而大幅減少可訓(xùn)練參數(shù)和訓(xùn)練資源；深層編碼器則通過正向時空特征與負向時空特征完成時空信息的整合。
 

　　科研團隊采取了以下方式讓正向時空特征與負向時空特征各自發(fā)揮作用。一方面，通過正向時空特征提取與目標(biāo)相關(guān)的信息，用于增強目標(biāo)響應(yīng)，幫助模型在復(fù)雜場景下更準(zhǔn)確地識別目標(biāo)；另一方面，通過負向時空特征提取背景信息，用于抑制背景干擾、細化目標(biāo)邊界。兩類時空特征分別與搜索區(qū)域特征進行獨立的交互計算，避免相互抑制。同時，科研團隊將時空特征的“提取”與“利用”過程解耦，二者可在網(wǎng)絡(luò)內(nèi)部并行執(zhí)行，從而降低對推理速度的影響。
 

　　該方法并非簡單地將時空信息與原有匹配信息疊加在一起，而是讓兩者“各司其職”。時空特征主要負責(zé)對搜索區(qū)域特征進行增強與抑制的調(diào)整——增強目標(biāo)相關(guān)響應(yīng)、抑制背景干擾，同時盡量不改變原有的模板與搜索特征匹配過程，從而減少單一信息不準(zhǔn)確帶來的影響。得益于這一設(shè)計，模型在推理時可以自由開啟或關(guān)閉時空特征：關(guān)閉后即可恢復(fù)為原始跟蹤器，無需重新加載模型或調(diào)整參數(shù)，真正實現(xiàn)即插即用。
 

　　科研團隊在多個公開視覺跟蹤數(shù)據(jù)集上進行了測試。結(jié)果顯示，該方法在 GOT-10k、LaSOT、LaSOText 等主流數(shù)據(jù)集上均取得了領(lǐng)先水平的性能。在僅使用 GOT-10k 官方訓(xùn)練集訓(xùn)練時，平均重疊率(AO)達 75.8%。在骨干網(wǎng)絡(luò)通用性測試中，該方法在 ViT、HiViT、Fast-iTPN 等多種骨干網(wǎng)絡(luò)上均實現(xiàn)了穩(wěn)定的性能提升。實驗還顯示，該方法僅需引入少量額外的投影參數(shù)，即可在保持較高推理速度的同時提升跟蹤精度。
 

　　該研究為兼顧跟蹤精度與計算效率提供了新的技術(shù)思路。通過有針對性地挖掘并利用目標(biāo)和背景的歷史信息，該方法能夠以較低的模型升級成本改善復(fù)雜場景下的跟蹤表現(xiàn)，可為智能監(jiān)控、移動機器人與自動駕駛等領(lǐng)域的視覺感知技術(shù)發(fā)展提供參考。
 

　　相關(guān)成果以 Adaptive Positive-Negative Spatiotemporal Attention Feature Modulation for Plug-and-Play Visual Tracking為題發(fā)表于期刊 Expert Systems with Applications。沈陽自動化所博士研究生時健為論文第一作者，羅海波研究員為通訊作者。(光電信息技術(shù)研究室)
 

　　引用：沈陽自動化所在復(fù)雜場景下視頻目標(biāo)跟蹤方法研究方面取得進展 中國科學(xué)院沈陽自動化研究所 【引用時間：2026年9月16日】