في عالم الرؤية الحاسوبية، يعد تتبع الأجسام (Object Tracking) من أبرز التحديات، خاصة عندما نفترض أن القالب (Template) وإطارات البحث (Search Frames) تشترك في نفس نمط الاستشعار. ولكن ما يحدث عندما تتغير ظروف الاستشعار أو تتاح أنماط مختلفة في نفس الوقت؟ هنا يأتي دور إطار العمل المبتكر TSDA-Track، الذي يستهدف تقليل فجوة التمثيل بين القوالب وإطارات البحث من خلال تكيف متعدد المراحل.

يعتمد TSDA-Track على استراتيجيات مواءمة متقدمة للميزات. الإصدارة الأولى، Pre-AFA TSDA-Track، تطبق مواءمة تنافسية قبل تفاعل قالب-بحث الـ Transformer لتقليل التحيز الخاص بالنمط. بينما الإصدارة الثانية، Enc-CFA TSDA-Track، تركز على تطبيق مواءمة تباينية على تمثيلات المشفر (Encoder Representations) بعد التفاعل لتعزيز المطابقة عبر الأنماط.

تجاربنا على بيانات LasHeR، وتقييمات بدون إشراف على RGBT234 وGTOT، تحت بروتوكولات متعددة تُظهر تحسنًا ملحوظًا مقارنة بأحدث التقنيات في المجال. على سبيل المثال، تحت بروتوكول تغيير الأنماط على RGBT234، حقق Pre-AFA TSDA-Track نسبة SR/PR قدرها 43.2/56.0. كما أكدت دراسة إضافية على Anti-UAV-024 فعالية TSDA-Track في تتبع الأجسام الجوية.

تسلط دراستنا الضوء على قوة تكيف مواءمة الميزات في تتبع الأجسام عبر الأنماط المختلفة، مما يساهم بشكل كبير في تعزيز الأداء في مجال الرؤية الحاسوبية.