我校计算机与人工智能学院（网络空间安全学院）杨凯副教授在视觉目标跟踪方向研究取得新进展，相关成果《BiTrack: A Bidirectional Self-Calibration for Online Visual Tracking》被CCF A类、计算机多媒体顶刊 IEEE Transactions on Multimedia（TMM）接收。该论文以武汉纺织大学为第一署名单位，龙君豪（2024级硕士生）为第一作者，黎辉（本科生）为第二作者，胡文韬（本科生）为第三作者，杨凯副教授为通讯作者。
视觉目标跟踪是计算机视觉领域的重要基础任务，其目标是在首帧给定目标位置后，持续预测目标在后续视频中的位置。在遮挡、相似目标干扰和外观变化等复杂场景中，跟踪器容易逐渐偏离真实目标，甚至在跟错目标时仍给出较高置信度。现有方法往往难以及时识别跟踪失效，目标丢失后的恢复也不够可靠；若错误预测继续用于模板更新，还会污染目标表征，使误差在后续跟踪中不断累积。
图1 BiTrack 双向自校准机制示意
针对上述问题，该研究提出双向自校准在线视觉跟踪框架 BiTrack。该框架在已观测的历史视频片段中开展正向跟踪与反向验证，通过轨迹一致性检查增强对目标漂移的识别能力。设计的失败检测与恢复模块综合双向预测的置信度和位置一致性判断跟踪状态，在发现不可靠预测后重置相关记忆状态并触发局部重新跟踪，从而实现对跟踪漂移的自动检测与纠正。在模板维护方面，BiTrack 采用置信度引导的模板更新机制，评估当前预测的可靠性，筛选可信特征用于模板和记忆更新，减少低质量预测造成的模板污染。此外，研究采用受自监督思想启发的裁剪训练策略，用前一帧预测框确定当前帧搜索区域，使训练过程更贴近实际跟踪情境，提高模型对定位误差的适应能力。
图2 BiTrack 整体框架
研究团队在 GOT-10k、LaSOT、LaSOT-ext、TrackingNet、UAV123、OTB100 和 NfS 七个公开基准上进行了实验验证。BiTrack-L 在 TrackingNet 上的成功率曲线下面积（AUC）达到85.6%，在 GOT-10k 上的平均重叠率（AO）达到79.5%，在 LaSOT 上的 AUC 达到73.7%，展现出具有竞争力的跟踪性能。BiTrack 基础版在单张 NVIDIA GeForce RTX 4070 Ti SUPER 显卡上达到71.24帧/秒，在精度与运行效率之间取得了较好的平衡。该研究将历史轨迹一致性验证与主动纠错引入在线视觉跟踪，为复杂场景下的目标漂移检测、跟踪恢复和可靠模板更新提供了新的研究思路，有助于提升视觉目标跟踪系统的稳定性与鲁棒性。本研究获得国家自然科学基金（含重大研究计划项目）及湖北珞珈实验室开放基金支持。
杨凯老师自2022年10月入职计算机与人工学院以来，以第一作者（或通讯）作者身份在IEEE Transactions on Multimedia (CCF A类 1篇)、IEEE Transactions on Consumer Electronics(5篇)、Expert Systems with Applications(2篇)、Engineering Applications of Artificial Intelligence (1篇)、The Visual Computer (1篇)、Knowledge-Based Systems (1篇)、Neural Networks (CCF B类1篇)、ICASSP 2024 (CCF B类1篇)共发表13篇论文，另7篇CCF A类论文处于评审中
近年来，计算机与人工智能学院（网络空间安全学院）坚持以科研团队建设为基础、以对外学术交流为纽带、以研究生科研创新能力培养为重点，持续完善科研育人机制，推动科研成果产出与人才培养深度融合、相互促进。学院通过凝练研究方向、搭建科研平台、加强合作交流，不断提升教师科研攻关能力和学生创新实践能力，促进高水平成果培育与高素质人才成长同向发力，形成了团队建设、学术交流、人才培养和成果产出协同并进的良好局面。