The advent of hyperspectral cameras has popularized the study of hyperspectral video trackers. Although hyperspectral images can better distinguish the targets compared to their RGB counterparts, the occlusion and rotation of the target affect the effectiveness of the target. For instance, occlusion obscures the target, reducing the tracking accuracy and even causing tracking failure. In this regard, this paper proposes a novel hyperspectral video tracker where the double Siamese network (D-Siam) forms the basis of the framework. Moreover, AlexNet serves as the backbone of D-Siam. The current study also adopts a novel spectral–deviation-based dimensionality reduction approach on the learned features to match the input requirements of the AlexNet. It should be noted that the proposed dimensionality reduction method increases the distinction between the target and background. The two response maps, namely the initial response map and the adjacent response map, obtained using the D-Siam network, were fused using an adaptive weight estimation strategy. Finally, a confidence judgment module is proposed to regulate the update for the whole framework. A comparative analysis of the proposed approach with state-of-the-art trackers and an extensive ablation study were conducted on a publicly available benchmark hyperspectral dataset. The results show that the proposed tracker outperforms the existing state-of-the-art approaches against most of the challenges.

中文翻译：

---

基于光谱偏差减少和双连体网络的高光谱视频跟踪器

高光谱相机的出现普及了高光谱视频跟踪器的研究。尽管与 RGB 图像相比，高光谱图像可以更好地区分目标，但目标的遮挡和旋转会影响目标的有效性。例如，遮挡遮挡了目标，降低了跟踪精度，甚至导致跟踪失败。在这方面，本文提出了一种新颖的高光谱视频跟踪器，其中双连体网络 (D-Siam) 构成了框架的基础。此外，AlexNet 是 D-Siam 的主干。目前的研究还采用了一种新的基于光谱偏差的降维方法来学习特征，以匹配 AlexNet 的输入要求。应该注意的是，所提出的降维方法增加了目标和背景之间的区别。使用自适应权重估计策略融合使用 D-Siam 网络获得的两个响应图，即初始响应图和相邻响应图。最后，提出了一个置信度判断模块来规范整个框架的更新。对所提出的方法与最先进的跟踪器进行了比较分析，并对公开可用的基准高光谱数据集进行了广泛的消融研究。结果表明，针对大多数挑战，所提出的跟踪器优于现有的最先进方法。使用 D-Siam 网络获得的数据，使用自适应权重估计策略进行融合。最后，提出了一个置信度判断模块来规范整个框架的更新。对所提出的方法与最先进的跟踪器进行了比较分析，并对公开可用的基准高光谱数据集进行了广泛的消融研究。结果表明，针对大多数挑战，所提出的跟踪器优于现有的最先进方法。使用 D-Siam 网络获得的数据，使用自适应权重估计策略进行融合。最后，提出了一个置信度判断模块来规范整个框架的更新。对所提出的方法与最先进的跟踪器进行了比较分析，并对公开可用的基准高光谱数据集进行了广泛的消融研究。结果表明，针对大多数挑战，所提出的跟踪器优于现有的最先进方法。