IROS'24开源 | 43 FPS！精度拉满！PRL-Track：无人机实时跟踪最新SOTA！

主要观点总结

本文介绍了一种用于无人机跟踪的渐进式表征学习框架PRL-Track，包括粗表征学习和细表征学习。该框架旨在解决无人机跟踪过程中遇到的复杂动态环境中的挑战，如纵横比变化和遮挡。通过综合实验验证，PRL-Track在多个无人机跟踪基准数据集上实现了卓越的性能。

关键观点总结

关键观点1: PRL-Track框架介绍

提出了一种新的渐进式表征学习框架PRL-Track，包括粗表征学习和细表征学习。粗表征学习利用CNN提取局部空间信息，细表征学习利用ViT进行全局上下文信息的理解和精细目标表征的生成。

关键观点2: 主要贡献

1) 提出了渐进式表征学习框架PRL-Track，提高了无人机跟踪性能；2) 开发了外观感知调节器和语义感知调节器；3) 提出了层次建模生成器，通过融合粗目标表征增强上下文信息理解；4) 综合评估证实，PRL-Track实现了与其他最优跟踪器的显著性能对比。

关键观点3: 实验结果

PRL-Track在UAVTrack112、UAVTrack112 L和UAV123等数据集上的性能评估结果，以及与其他跟踪器的比较。此外，基于属性的评估结果展示了PRL-Track在处理纵横比变化、部分遮挡、尺度变化和视角变化等挑战时的鲁棒性。

免责声明