FSTrack：特征融合与自适应选择驱动的视觉目标跟踪新方法及其在复杂场景中的鲁棒性突破

本文提出FSTrack视觉跟踪框架，通过多级特征融合（FPN）与自适应时空特征增强（STTE）机制，有效解决目标外观变化与背景干扰难题。创新性引入Transformer预测头替代传统CNN，显著提升小目标定位精度与全局建模能力，在GOT-10k等主流基准实现SOTA性能，为自动驾驶与智能监控提供关键技术支撑。

　　

亮点

• 通过层级特征融合与分辨率增强技术，在低计算开销下实现骨干网络特征的高效利用，显著提升性能

• 自适应时空增强策略通过选择性特征优化提升复杂场景（如杂乱背景、干扰物和目标形变）下的鲁棒性

• Transformer预测头巧妙结合局部卷积模式与全局注意力机制，实现定位精度与准确度的协同提升

• 大量实验证明本方法在多个基准测试中达到最新SOTA性能，同时保持实时效率，优于高分辨率与低分辨率同类模型

方法

本节详细介绍FSTrack架构及其功能。首先概述整体跟踪框架，详细阐述各模块设计，最后探讨跟踪与推理过程的具体实现。

实施细节

模型设置：采用Fast-iTPN作为时空编码器，模板尺寸为128×128，搜索区域为256×256。模型时空令牌数量设为2，STTE模块注意力层数为3。训练与推理基于NVIDIA RTX4090 GPU，速度评估使用单块NVIDIA RTX 4060Ti 16G GPU。

数据集：与主流模型一致，使用四个数据集进行训练。

讨论

FSTrack在多个数据集实现SOTA性能（表1、2、3和10），其卓越表现源于通过FPN整合细粒度低级特征，以及Transformer预测头提供的全局感受野。STTE模块对时空信息的处理有效降低数据干扰，显著增强模型在遮挡、形变等复杂场景下的鲁棒性。

结论

本研究提出FSTrack创新框架，有效利用搜索特征与时空特性提升性能。首先通过多尺度特征融合策略生成高分辨率特征图，并重新设计检测头架构显著提高定位精度；其次引入自适应时空特征增强模块，动态选择并强化关键时空信息。