Um die Probleme komplexer Störungen und Zielverdeckung bei Drohnen-Zielverfolgungsaufgaben zu lösen, wird ein siamesisches neuronales Netzwerk-Tracking-Algorithmus namens SiamAL vorgeschlagen, der einen Aufmerksamkeitsmechanismus und einen Zielverdeckungs-Erkennungsmechanismus integriert, sowie eine Variante namens SiamAL-Det, die einen Zielerkennungsalgorithmus kombiniert. Basierend auf dem SiamDMU-Algorithmus wird zunächst ein Aufmerksamkeitsmechanismus im Backbone-Netzwerk eingeführt und zugleich die neue Aktivierungsfunktion h-swish verwendet, um die Merkmalsrepräsentation unter komplexen Störbedingungen zu verbessern; zweitens wird eine bewegungsbasierte Priorisierung auf Kalman-Filter-Basis zur Schätzung der Zieltrajektorie eingeführt, wobei der Tracker-Vertrauenswert zusammen mit dem Prädiktions-Beobachtungs-Residuum zur hierarchischen Urteilbildung des Trackin-Status verwendet wird: Bei starker Verdeckung wird das Gewicht des Bewegungspriors adaptiv erhöht, um die Trajektorienkontinuität während der Verdeckung aufrechtzuerhalten; schließlich wird ein Algorithmus-Framework entwickelt, das Erkennung und Tracking kombiniert, um die tatsächliche Tracking-Leistung zu verbessern. Bei Erkennung eines Tracking-Ausfalls oder starken Drifts wird ein leichter Erkennungszweig zur Wiedererkennung und Korrektur aktiviert. Auf dem UAV123-Datensatz erreichten die SiamAL- und SiamAL-Det-Algorithmen Erfolgsraten und Genauigkeiten von jeweils 65,3 %, 86,6 % bzw. 68,6 %, 88,8 %, was gegenüber dem Basisalgorithmus SiamDMU Verbesserungen von 2,5 %, 3,7 % bzw. 5,8 %, 5,9 % bedeutet. Im Vergleich zu mehreren führenden Tracking-Algorithmen auf Basis siamesischer Netzwerke zeigen Erfolg und Genauigkeit eine bessere Leistung, was die gute Anwendungsperspektive der vorgeschlagenen Methode in Drohnen-Luftbild-Szenarien bestätigt.

Drohnen-Luftbild; siamesisches Objekt-Tracking; Aufmerksamkeitsmechanismus; Kalman-Filter