基于频率域提示学习的自适应去噪Transformer网络提升无人机夜间追踪性能

本文提出了一种创新的频率域提示去噪Transformer网络(FPDT)，通过自适应频率提示学习模块(AFP-LM)实现高频噪声抑制与特征提取，结合双向跨域融合模块(BCFM)和多尺度注意力机制(MDCA)，显著提升了无人机(UAV)在低照度环境下的追踪性能。该研究为复杂场景下的实时目标追踪提供了高效解决方案。

　　

Highlight

• 我们提出FPDT，一种基于频率域提示的无人机夜间追踪去噪Transformer，通过频率感知提示动态识别噪声并提取有效特征，无需依赖先验知识。

• 设计了轻量级自适应频率提示学习模块(AFP-LM)，通过频率学习块(FLB)和提示块(PB)实现噪声分离与关键区域聚焦。

• 创新性引入多卷积头转置交叉注意力(MDCA)机制，使解码器能高效整合多尺度特征。

Method

总体框架如图1所示，FPDT采用四级编码器-解码器结构。对于输入图像I∈R^H×W×3，首先通过3×3卷积提取浅层特征F₀∈R^H×W×C。AFP-LM模块集成在编码器第四层与解码器之间，通过频域分解提取高低频成分，BCFM模块自适应加权融合这些成分以增强特征分离能力。

Implementation Details

网络结构配置为四级Transformer块{1,2,3,4}，对应注意力头数{1,2,2,4}。采用渐进式学习和AdamW优化器，前馈网络扩展因子为2.67，在Intel Core i7-10700和RTX 3080平台训练100个epoch。

Conclusion

本研究提出的FPDT通过频域提示学习有效解决了无人机夜间追踪中的噪声干扰问题。AFP-LM模块指导解码器整合空频域信息，MDCA机制强化多级特征融合，显著提升了追踪器的鲁棒性和准确性。