面向 UAV 目标跟踪的提示驱动状态空间模型框架

基于摘要分析。该研究面向 UAV 目标跟踪，针对目标外观剧烈变化与暂时丢失、深层特征空间细节退化，以及分类与回归任务需求不一致的问题，提出基于状态空间模型（SSMs）的 Prompt-driven Lightweight Vision Mamba（PVMTrack）。其贡献是将模板提示、层级特征聚合与非对称预测头组合到单流 Vision Mamba 跟踪框架中，而非 EEG 或 BCI 方法。 核心机制包括三个模块：Template Prompting Generator（TPG）通过提示引导整合初始模板与动态模板的视觉信息，以应对外观变化；Hierarchical Feature Aggregator（HFA）融合深层语义与浅层空间特征，以缓解深层 SSM 特征中的空间细节退化；Enhanced Asymmetric Feature Prediction Head（EA-Head）利用对应层级的特征解耦分类和回归，以改善定位。摘要将 Vision Mamba 的全局特征提取及线性复杂度长程依赖建模作为骨干优势，但未提供具体损失、训练流程、动态模板更新规则或推理开销。 作者报告，在七个 UAV 跟踪基准上，相比其他先进跟踪器取得更好的跟踪表现，同时保持轻量结构。摘要未列出基准名称、数据划分、对照方法、指标数值及参数量，因此无法量化优势或判断不同协议下的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 解码中的固定参考片段和近期信号片段视为两类模板，TPG 的条件引导思路可能用于适应信号漂移；但这是迁移假设，依赖原方法可改造成时序信号输入，并有可靠的参考片段与任务监督。可考虑复用提示融合思路，需改造视觉骨干、输入表示和任务输出，不能直接沿用目标框回归头。低信噪比可能污染动态模板，跨被试与通道差异可能破坏模板对应，小数据可能导致过拟合。一个可检验的小实验是在固定 Cross-session EEG 划分下，对比同一时序骨干的无提示、固定模板提示和固定加动态模板提示版本，核对动态更新是否仅使用推理时可用信息，并检验其收益及漂移风险。相关 EEG 工作尚未检索确认。