面向复杂环境的无人机跟踪域泛化框架：频率感知学习与目标对齐数据增强的突破性研究

本文提出创新性无人机视觉跟踪框架DGTrack，通过频率感知学习（FAL）模块解耦域不变内容与域特定风格，结合目标对齐增强（TAA）模块最大化互信息对齐，显著提升在未见域（如UAVDT-daylight/night/fog和VisDrone2019）的单源域泛化能力，为自动驾驶系统在灾害响应与军事监测等场景提供鲁棒解决方案。

　　

Section snippets

INTRODUCTION

无人机视觉跟踪（UAV visual tracking）在军事侦察、环境监测、公共安全监控、搜救行动和交通控制等领域扮演关键角色。给定初始目标标注后，其核心目标是在后续帧中持续估计任意目标的位置与尺度。随着视觉Transformer（ViTs）技术的突破性进展...

RELATED WORK

本节概述无人机目标跟踪与域泛化技术的最新进展，这些成果共同启发了我们提出的方法论设计。

METHODOLOGY

首先介绍单源域泛化无人机跟踪的问题 formulation，包括问题定义与方法论概述（Sect. A）。随后详解DGTrack框架架构，包含组件构成与损失函数 formulation（Sect. B与Sect. C）。最后讨论训练策略与推理流程（Sect. D）。

Datasets

我们在两大主流无人机跟踪基准数据集上评估DGTrack：UAVDT^[17]和VisDrone2019^[18]。UAVDT专注于车辆跟踪，包含不同高度、摄像机视角与天气条件（如白昼、夜间与雾天）下采集的序列。我们按天气将UAVDT划分为三大域：UAVDT-daylight、UAVDT-night和UAVDT-fog。VisDrone2019则包含...

CONCLUSION

本研究提出创新的单源域泛化框架DGTrack，仅用单域训练数据即可实现未见环境中鲁棒跟踪。频率感知学习（FAL）模块自适应调制低频与高频成分，助力跟踪器剥离域不变内容与域特定风格；目标对齐增强（TAA）模块通过多级变换提升源域多样性，并通过互信息最大化实现预测对齐。实验证明其在跨域泛化性上显著优于先进无人机跟踪器。