드론-대드론 추적을 위한 의미 기반 시간 적응 방법

Semantic-Aware Temporal Adaptation for UAV Anti-UAV Tracking

드론-대드론 추적은 움직이는 관측용 드론에 탑재된 카메라를 사용하여 적대적인 드론의 위치를 파악하는 저고도 보안 작업입니다. 이는 기존 드론 추적 및 지상 기반 대드론 추적과 달리, 카메라 플랫폼과 대상 모두가 동시에 움직이기 때문에 차이가 있습니다. 이러한 이중 동적 환경은 시야각 변화, 모션 블러, 크기 변화 및 시각적으로 유사한 방해 요소를 유발하여 안정적인 외형 매칭을 어렵게 만듭니다. 급격하게 변화하는 조건에서 고정된 시각적 표현은 종종 충분하지 않으며, 이는 대상의 외형이 신뢰성이 떨어지고 특징 분포가 학습 도메인과 달라질 수 있기 때문입니다. 대상에 대한 언어적 설명은 프레임 간에 안정적으로 유지되므로 시간적인 상태 전파를 위한 의미 기반 앵커 역할을 할 수 있으며, 온라인 특징 분포 정렬은 비디오 특정 테스트 시점에서의 변화를 줄일 수 있습니다. 본 논문에서는 드론-대드론 추적을 위한 의미 기반 시간 적응 프레임워크인 SATATrack을 제안합니다. SATATrack은 대상 설명을 사용하여 백본 단계에서 시간적인 컨텍스트 전파를 안내하고 급격한 외형 변화 하에서도 대상의 동일성을 유지하는 Semantic-Aware Context Propagation (SACP)을 도입합니다. 학습 시에는 보조 대비 정규화기를 사용하여 의미적으로 유사한 배경 영역에 대한 반응을 억제합니다. 추론 과정에서 Temporal-Aware Distribution Alignment (TADA)는 모델 파라미터를 업데이트하지 않고 온라인으로 특징 분포를 정렬하며, 최근 프레임의 추정치를 학습 시점의 통계와 결합하여 안정성을 확보합니다. SATATrack은 드론-대드론 벤치마크에서 최첨단 성능을 달성했으며, 대드론 및 드론 객체 추적 작업에서도 경쟁력 있는 성능을 보입니다. 코드는 다음 링크에서 제공됩니다: https://github.com/XiaozhenQiao/SATATrack.

UAV Anti-UAV tracking is an emerging low-altitude security task for localizing an adversarial UAV using the onboard camera of a moving observer UAV. It differs from conventional UAV tracking and ground-based Anti-UAV tracking because both the camera platform and the target move simultaneously. This dual-dynamic setting induces rapid viewpoint changes, motion blur, scale variation, and visually similar distractors, making reliable appearance matching difficult. Under such rapidly changing conditions, fixed visual representations are often insufficient because target appearance becomes unreliable and feature distributions may deviate from the training domain. The target language description remains stable across frames and can therefore serve as a semantic anchor for temporal state propagation, while online feature-distribution alignment can reduce video-specific test-time shifts. In this paper, we propose \emph{SATATrack}, a Semantic-Aware Temporal Adaptation framework for UAV Anti-UAV tracking. SATATrack introduces Semantic-Aware Context Propagation (SACP), which uses the target description to guide temporal context propagation across backbone stages and preserve target identity under rapid appearance changes. An auxiliary contrastive regularizer is used during training to discourage responses to semantically similar background regions. During inference, Temporal-Aware Distribution Alignment (TADA) aligns feature distributions online without updating model parameters, combining recent-frame estimates with training-time statistics for stability. SATATrack achieves state-of-the-art performance on the UAV-Anti-UAV benchmark while remaining competitive in Anti-UAV and UAV object tracking tasks. The code will be available at https://github.com/XiaozhenQiao/SATATrack.