MFGNet: توليد مرشحات ديناميكي واعٍ للنمط لتعقب RGB-T

يحاول العديد من متعقبات RGB-T تحقيق تمثيل خصائص قوي من خلال استخدام نظام توزيع أوزان متكيف (أو آلية الانتباه). على عكس هذه الأعمال، نقترح وحدة توليد مرشحات ديناميكية واعية بالنمط (تُسمى MFGNet) لتعزيز التواصل بين البيانات المرئية والحرارية من خلال ضبط متكيف للمرشحات التلافيفية لمختلف الصور الإدخالية في المتابعة العملية. بناءً على أزواج الصور كمدخلات، نقوم أولاً بتشفير خصائصها باستخدام الشبكة الأساسية. ثم، نربط هذه الخرائط الخصائص ونولد مرشحات ديناميكية واعية بالنمط باستخدام شبكتين مستقلتين. سيتم استخدام المرشحات المرئية والحرارية لتنفيذ عملية تلافيف ديناميكية على خرائط الخصائص الإدخالية الخاصة بهم على التوالي. مستوحى من الاتصال المتبقّي، سيتم تلخيص كل من الخرائط الخصائص المرئية والحرارية المولدة مع خرائط الخصائص الإدخالية. ستتم إطعام الخرائط الخصائص المعززة إلى وحدة تنسيق RoI لتوليد خصائص مستوى الحالة للتصنيف اللاحق. لمعالجة المشكلات الناجمة عن الاختفاء الثقيل، الحركة السريعة والخروج عن مجال الرؤية، نقترح إجراء بحث محلي وعالمي مشترك من خلال استغلال آلية انتباه مدفوعة بالهدف ومدركة للموقع الجديدة. يتم استخدام الشبكة الع corale العودية المكانية والزمنية لالتقاط السياق المدرك للموقع لتحقيق التنبؤ الدقيق باهتمام عالمي. تم التحقق من فعالية خوارزميتنا المقترحة عبر تجارب واسعة النطاق على ثلاثة مجموعات بيانات مقاييس تتبع RGB-T كبيرة الحجم. يمكن الوصول إلى شفرة المصدر لهذه الورقة البحثية عبر الرابط \textcolor{magenta}{\url{https://github.com/wangxiao5791509/MFG_RGBT_Tracking_PyTorch}}.请注意，"corale" 这个词在阿拉伯语中似乎是一个错误，应该是 "recurrent neural network" 的翻译 "الشبكة العصبونية العودية"。因此，正确的翻译应该是：يستخدم الشبكة العصبونية العودية المكانية والزمنية لالتقاط السياق المدرك للموقع لتحقيق التنبؤ الدقيق باهتمام عالمي.