摘要

现有的RGB-T跟踪算法通过利用Transformer架构的全局交互能力和广泛的预训练模型取得了显著进展。然而，这些方法主要采用图像对的外观匹配，并且由于注意力机制固有的高二次复杂度，导致时间信息的利用受到限制。受最近出现的状态空间模型Mamba的启发，该模型以其出色的长序列建模能力和线性计算复杂度而闻名，本研究创新性地提出了一种纯基于Mamba的框架（MambaVT），以充分利用时空上下文建模，实现稳健的可见光-热红外跟踪。具体而言，我们设计了长程跨帧融合组件，以全局适应目标外观变化，并引入短期历史轨迹提示，根据局部时间位置线索预测后续目标状态。大量实验表明，视觉Mamba在RGB-T跟踪中具有显著潜力，MambaVT在四个主流基准测试中实现了最先进的性能，同时计算成本更低。我们希望这项工作能够作为一个简单而强大的基线，激发未来在这个领域的研究。代码和预训练模型将对外公开。