低品質モダリティはRGBT追跡において多くのノイズ情報だけでなく、いくつかの識別特徴も含んでいます。しかし、既存のRGBT追跡アルゴリズムでは、低品質モダリティの可能性が十分に探索されていません。本研究では、すべてのモダリティの識別情報を最大限に活用しながらデータノイズの影響を抑制する新しい二重ゲート相互条件ネットワークを提案します。具体的には、あるモダリティの識別情報を他のモダリティでの目標外観の特徴学習の条件として利用する相互条件モジュールを設計しました。このモジュールは、低品質モダリティが存在する場合でも、すべてのモダリティの目標表現を効果的に強化することができます。さらに、条件の品質向上とデータノイズのさらなる削減のために、二重ゲートメカニズムを提案し、これを相互条件モジュールに統合しました。突然のカメラ動作によって引き起こされる追跡失敗（これはRGBT追跡でしばしば発生します）に対処するために、光学フローアルゴリズムに基づく再サンプリング戦略を設計しました。この方法は計算コストを大幅に増加させません。なぜなら、モデル予測が信頼できない場合のみ光学フロー計算を行い、その後突然のカメラ動作が検出されたときに再サンプリングを行うからです。4つのRGBT追跡ベンチマークデータセットにおける広範な実験結果は、当方の手法が最先端の追跡アルゴリズムに対して有利な性能を示していることを示しています。注：「duality-gated mutual condition network」は「二重ゲート相互条件ネットワーク」と訳しました。「resampling strategy based on optical flow algorithms」は「光学フローアルゴリズムに基づく再サンプリング戦略」と訳しました。これらの専門用語については一般的な日本語訳を使用していますが、特定の文脈や分野によって異なる場合がありますのでご注意ください。