论文介绍
题目：MUST: The First Dataset and Unified Framework for Multispectral UAV Single Object Tracking
期刊：IEEE/CVF Computer Vision and Pattern Recognition Conference
论文：https://arxiv.org/abs/2503.17699
数据：https://github.com/q2479036243/MUST-Multispectral-UAV-Single-Object-Tracking
年份：2025
单位：北京理工大学
【遥感图像分类实战视频教程】
https://www.bilibili.com/video/BV1SPExznEHe/?spm_id_from=333.337.search-card.all.click&vd_source=75de451a527a341260671f8dfa953400创新点
提出了首个面向无人机多光谱单目标跟踪的大规模数据集（MUST），包含250个视频序列，涵盖12类真实挑战情境，填补了该领域的空白。
构建了统一融合光谱、空间和时间特征的跟踪框架（UNTrack），综合利用历史光谱提示、初始模板和连续帧信息，提高在复杂场景中的鲁棒性。
引入非对称注意力机制和光谱背景抑制模块，有效降低计算量，提升了目标定位的精度和效率。
设计了光谱提示编码器并结合参数迁移策略，使RGB预训练模型能有效适用于多光谱任务，大幅提升模型性能。
数据
MUST 数据集
基本信息
包含 250 个多光谱视频序列，共 42671 帧，分辨率为 1200×900，帧率 5 fps。光谱特征
每帧图像具有 8 个波段，覆盖 390–950 nm，涵盖可见光与近红外，增强目标与背景的光谱可分性。挑战属性
每个序列标注了 12 类跟踪挑战，如遮挡、快速运动、相似颜色、背景杂乱、出视野等，全面模拟真实无人机跟踪环境。采集与标注
数据由无人机搭载多光谱相机采集，飞行高度 20–250 米。所有图像经几何与辐射校正，并由人工精确标注目标框和遮挡状态。
方法
本文提出了一种名为 UNTrack 的多光谱无人机目标跟踪框架。该方法通过统一建模光谱、空间和时间特征，提升在复杂场景下的跟踪鲁棒性与效率。整体结构包括三个主要模块：统一非对称Transformer、光谱提示编码器，以及预测头。
该模块的目标是从多个维度提取目标的判别特征，具体包括：
输入信息：将历史帧的光谱提示、初始模板图像和连续搜索帧作为统一输入，构建一个融合的特征序列。
非对称注意力机制：与标准Transformer不同，UNTrack只保留与目标定位密切相关的注意力路径，例如模板与搜索帧之间的交互，历史提示与搜索帧之间的交互等；而剪除掉冗余或干扰性的部分（如模板与提示之间的相互作用），以降低计算开销并减少噪声干扰。
搜索序列输入：不同于只用当前帧进行搜索，UNTrack引入连续帧作为序列输入，从而更好地建模目标在时间上的连续性和运动轨迹。
2. 光谱背景消除机制
为减少背景干扰和计算成本，UNTrack在Transformer中嵌入了一个背景消除模块，流程如下：
基于注意力结果判断图像中各区域与目标的相关性。
只保留与目标高度相关的区域作为候选，其余区域视为背景并剔除。
候选区域比例会在训练中动态调整，以适应不同场景下的目标显著性。
该机制利用多光谱信息增强了目标与背景的光谱差异感知，能够有效过滤外部干扰。
3. 光谱提示编码器
该模块用于生成并更新代表目标材料特征的光谱提示，具体做法如下：
首先，将历史光谱提示与当前模板信息进行特征融合，提取目标的稳定光谱特征。
使用 compression-excitation机制（通过轻量卷积和多层感知机）聚焦关键光谱通道，抑制冗余信息。
最终输出一个紧凑的光谱向量，用作下一个时间点的跟踪输入，从而增强跨帧一致性。
该设计确保了模型能持续感知目标的“材料本质”，即使目标在颜色或外形上发生变化，也能维持准确跟踪。
4. 预测头与损失设计
UNTrack采用双分支预测头来同时进行目标定位与分类：
一条分支用于输出目标位置的边界框。
另一条分支用于输出每个候选区域是否为目标的置信度。
训练阶段使用了常见的分类损失与边界框回归损失，保证定位精度和分类准确性。
结果与分析
本文方法在多光谱无人机跟踪数据集上全面优于现有主流方法，表现出更强的鲁棒性和适应性。同时在多光谱和RGB通用数据集上也展现出良好的迁移能力，证明了其结构的通用性与效率。
【遥感图像分类实战视频教程】