Pour résoudre les problèmes d'interférences complexes et d'occlusion de la cible dans les tâches de suivi d'objets par drone, nous proposons un algorithme de suivi basé sur un réseau neuronal siamois intégrant un mécanisme d'attention et un mécanisme de discrimination d'occlusion appelé SiamAL, ainsi que sa variante intégrant un algorithme de détection d'objets nommé SiamAL-Det. En se basant sur l'algorithme SiamDMU, d'abord un mécanisme d'attention est introduit dans le réseau principal, avec une nouvelle fonction d'activation h-swish, améliorant la capacité de représentation des caractéristiques en conditions d'interférences complexes ; ensuite, une estimation de la trajectoire de la cible est réalisée grâce à un prior de mouvement basé sur un filtre de Kalman, utilisant la confiance du traceur et le résidu prédiction-observation pour une classification hiérarchique de l'état de suivi : en cas d'occlusion sévère, le poids du prior de mouvement est adapté à la hausse pour maintenir la continuité de la trajectoire pendant l'occlusion ; enfin, un cadre algorithme fusionnant détection et suivi est conçu pour améliorer les performances réelles du suivi, déclenchant une branche de détection légère pour une redétection et correction en cas d'échec ou de dérive sévère du suivi. Sur le jeu de données UAV123, les algorithmes SiamAL et SiamAL-Det ont atteint des taux de réussite et de précision respectivement de 65,3 %, 86,6 % et 68,6 %, 88,8 %, soit une amélioration par rapport à l'algorithme de référence SiamDMU de 2,5 %, 3,7 % et 5,8 %, 5,9 %. Comparé à plusieurs algorithmes de suivi principaux basés sur des réseaux siamois, les taux de réussite et de précision sont meilleurs, ce qui indique que la méthode proposée présente de bonnes perspectives d'application dans les scénarios de prise de vue aérienne par drone.

prise de vue aérienne par drone; suivi d'objets siamois; mécanisme d'attention; filtre de Kalman