Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2508.01592

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2508.01592 (cs)
[提交于 2025年8月3日 ]

标题: DMTrack:通过双适配器的时空多模态跟踪

标题: DMTrack: Spatio-Temporal Multimodal Tracking via Dual-Adapter

Authors:Weihong Li, Shaohua Dong, Haonan Lu, Yanhao Zhang, Heng Fan, Libo Zhang
摘要: 在本文中,我们探索了适配器调优并引入了一种新颖的双适配器架构用于时空多模态跟踪,称为DMTrack。 我们的DMTrack的关键在于两个简单而有效的模块,包括一个时空模态适配器(STMA)和一个渐进式模态互补适配器(PMCA)模块。 前者单独应用于每种模态,旨在通过自提示调整从冻结主干中提取的时空特征,这在一定程度上可以弥合不同模态之间的差距,从而实现更好的跨模态融合。 后者旨在通过两个专门设计的像素级浅层和深层适配器逐步促进跨模态提示。 浅层适配器在两种模态之间使用共享参数,旨在弥合两种模态分支之间的信息流,从而为后续的模态融合奠定基础,而深层适配器则通过像素级的模态内注意力调节初步融合的信息流,并通过像素级的模态间注意力进一步生成模态感知提示。 通过这样的设计,DMTrack仅使用\textbf{0.93M}可训练参数即可实现有前途的时空多模态跟踪性能。 在五个基准上的大量实验表明,DMTrack取得了最先进结果。 代码将可用。
摘要: In this paper, we explore adapter tuning and introduce a novel dual-adapter architecture for spatio-temporal multimodal tracking, dubbed DMTrack. The key of our DMTrack lies in two simple yet effective modules, including a spatio-temporal modality adapter (STMA) and a progressive modality complementary adapter (PMCA) module. The former, applied to each modality alone, aims to adjust spatio-temporal features extracted from a frozen backbone by self-prompting, which to some extent can bridge the gap between different modalities and thus allows better cross-modality fusion. The latter seeks to facilitate cross-modality prompting progressively with two specially designed pixel-wise shallow and deep adapters. The shallow adapter employs shared parameters between the two modalities, aiming to bridge the information flow between the two modality branches, thereby laying the foundation for following modality fusion, while the deep adapter modulates the preliminarily fused information flow with pixel-wise inner-modal attention and further generates modality-aware prompts through pixel-wise inter-modal attention. With such designs, DMTrack achieves promising spatio-temporal multimodal tracking performance with merely \textbf{0.93M} trainable parameters. Extensive experiments on five benchmarks show that DMTrack achieves state-of-the-art results. Code will be available.
主题: 计算机视觉与模式识别 (cs.CV) ; 人工智能 (cs.AI)
引用方式: arXiv:2508.01592 [cs.CV]
  (或者 arXiv:2508.01592v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.01592
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Weihong Li [查看电子邮件]
[v1] 星期日, 2025 年 8 月 3 日 05:13:27 UTC (17,520 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs
cs.AI

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号