.png){kind=icon}
返回
SUIT: Spatial-Spectral Union-Intersection Interaction Network for Hyperspectral Object Tracking
.png){kind=icon}
PRE
AI
DOI：10.1109/TIP.2025.3633177.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱视频（HSVs）凭借其固有的空谱时结构，在杂波背景和小目标等复杂跟踪场景中具有独特优势。然而，现有方法主要关注模板区域与搜索区域之间的空间交互，常忽略光谱交互，导致性能欠佳。为解决此问题，本文从架构和训练两个角度研究光谱交互。在架构层面，首先利用Transformer建立模板与搜索区域间的逐波段长程空间关系，随后运用集合论中的容斥原理建模光谱交互，将其视为所有波段空间交互的并集，从而有效整合共享及波段特异的空间线索。在训练层面，引入光谱损失以强制模板与预测区域间的材质分布对齐，增强对形状变形和外观变化的鲁棒性。大量实验表明，本文跟踪器达到当前最优跟踪性能。源代码、训练模型及结果将通过https://github.com/bearshng/suit公开，以支持结果复现。
Keyword:
Hyperspectral object tracking
spatial-spectral interaction
deep learning
multimodal fusion
期刊
IF:
13.7
论文数:
1.0W
被引数:
8.4W
机构
引用论文
.png){kind=icon}
SiamBAG: Band Attention Grouping-Based Siamese Object Tracking Network for Hyperspectral Videos
PREAI
分享收藏
分享收藏
查看更多内容