当追踪者和目标都在低空高速飞行，传统的视觉追踪算法还能跟得住吗？

近日，来自云从科技、上海交通大学、香港科技大学（广州）、中山大学、中国科学院信息工程研究所的联合研究团队发布了一项硬核工作——UAV-Anti-UAV。这是业界首个针对“空对空”（Air-to-Air）场景的百万级多模态反无人机视觉追踪基准，并提出了基于Mamba的强力基线MambaSTS。MambaSTS在UAV-Anti-UAV基准的全部5个指标上均取得最佳的性能，这是云从科技在多模态大模型方面的又一次技术突破。面对双重动态干扰，现有的SOTA表现如何？让我们一探究竟！

 01引言：从“上帝视角”到“空中缠斗”

在低空经济蓬勃发展的今天，无人机（UAV）的安全管控已成为全球关注的焦点。反无人机（Anti-UAV）技术应运而生。

然而，回顾现有的视觉追踪研究，我们发现了一个明显的任务盲区（Gap）：

l 传统UAVTracking（空对地）：无人机处于“上帝视角”拍摄地面的车辆或行人，虽然相机在动，但目标相对地面运动平稳。

l 现有Anti-UAV（地对空）：地面固定的云台/相机仰拍空中的无人机，观察者几乎静止，缺乏运动带来的剧烈抖动

如果是一架无人机在高速飞行中，去追踪另一架试图逃逸的敌对无人机呢？这种场景就像是电影里的空中缠斗（Dogfight）

图1：直观对比了Task1(UAVTracking)、Task2(Anti-UAV)和本文提出的Task3(UAV-Anti-UAV)。Task3中Observer和Target都在低空高速运动。

这就是本文提出的UAV-Anti-UAV（空对空）任务。这是一个双向动态系统：追踪者和目标都在低空高速运动。这带来了前所未有的挑战：严重的双重动态干扰（Dual-dynamicdisturbances）、极速的尺度变化、强烈的运动模糊以及频繁的视角切换。

02数据集：首个百万级、多模态、全场景基准

为了攻克这一难题，研究团队构建了首个大规模基准数据集UAV-Anti-UAVBenchmark。这不只是一个数据集，更是一个低空安全的标准测试床。

数据集由什么构成？

l 规模庞大：包含1,810个视频序列，总帧数高达105万帧，总时长近9.85小时。

l 机型丰富：涵盖5大类目标，包括固定翼、多旋翼、垂直起降（VTOL）、第一人称视角（FPV）无人机和无人直升机。

l 多模态标注：不仅有精细的边界框（BoundingBox），还提供了自然语言描述（LanguagePrompts），支持视觉-语言追踪研究。

l 细粒度属性：标注了15种极具挑战的属性，如快速运动（FM）、光照变化（IV）、相似干扰物（SD）等。

图2：数据集中包含五种不同类型的无人机目标（固定翼、FPV、多旋翼、垂直起降、无人直升机）以及对应的语言描述。

到底有多难？

相比于现有的数据集，UAV-Anti-UAV是“地狱难度”。

l 相对速度：该数据集的平均相对速度高达0.79，远超现有的UAV123（0.46）和Anti-UAV（0.72）等数据集。

l 目标尺寸：包含大量微小目标（SmallObject），且由于距离变化，尺度变化（ScaleVariation）极其剧烈。

图3：硬核数据证明该数据集在运动强度上的独特性。

03方法：MambaSTS——时空语义的完美融合

面对如此高难度的任务，传统的Transformer由于计算复杂度高，难以处理超长序列；而普通的CNN又缺乏全局感知能力。为此，作者提出了新基线：MambaSTS。

这是一个集成了空间（Spatial）、时间（Temporal）、语义（Semantic）学习的统一框架。其核心逻辑在于：利用Mamba（状态空间模型）的线性复杂度优势来建立视频级的长期上下文。

图4：模型主架构图，展示了多模态输入（图像+文本）、STSMamba模块以及层级化的特征提取过程。

核心创新点解读：

混合架构(HybridArchitecture)：

1. 视觉端：利用分层视觉Transformer(HiViT)提取多尺度特征，捕捉空间细节。

2. 语言端：利用预训练的LanguageMamba提取语义特征，引入文本先验，帮助模型在模糊中“认出”目标。

时间Token传播(TemporalTokenPropagation)：

这是本文的“杀手锏”。模型维护一个时间Token，像接力棒一样在帧与帧之间传递。

利用Mamba的选择性扫描机制，将历史帧中目标的轨迹演变和外观变化压缩进这个Token中。这仿佛让模型拥有了“视频记忆”，即便目标被遮挡或模糊，也能基于记忆快速找回。

单向扫描机制(UnidirectionalScanning)：

不同于处理静态图像的VisionMamba(Vim)使用双向扫描，MambaSTS针对视频追踪的因果特性（即当前状态只取决于过去），改进为单向扫描，更符合实时追踪逻辑。

04实验：50个追踪器大乱斗，谁是王者？

作者对50个现代深度追踪算法进行了全面评测，涵盖了CNN、Transformer、Mamba以及多模态算法（如OSTrack,MixFormer,MambaTrack,CiteTracker等）。

总体战况

l MambaSTS遥遥领先：在所有指标上均取得第一，AUC达到0.437，mACC达到0.443，比第二名高出6.6个百分点。

l 任务难度极大：即便是SOTA的MambaSTS，成功率也仅为40%出头，而所有追踪器的平均AUC仅为0.30左右。这说明UAV-Anti-UAV领域仍是一片蓝海，挑战巨大！

图5：AUC、Precision等指标的曲线图，MambaSTS的曲线（最上方）直观体现了其优势。

图6：50个追踪器的mACC排名散点图，MambaSTS位于右上角，大幅领先。

属性分析：哪些场景最难搞？

通过对15个属性的细分测试，研究发现：

l MambaSTS的强项：在快速运动(FM)、运动模糊(MB)、小物体(SO)等属性上表现稳健，得益于其强大的时序建模能力。

l 共同的弱点：在光照变化(IV)和全遮挡(FO)场景下，所有模型（包括MambaSTS）都表现挣扎，成功率低于0.15。这指明了未来的优化方向。

图7：具有代表性的属性子图（如FastMotion,MotionBlur,FullOcclusion）。

泛化能力验证

除了在自家数据集上表现出色，MambaSTS在传统的UAVTracking数据集（如UAV123,VisDrone）和地面Anti-UAV数据集上，同样取得了SOTA性能。这证明了该架构并非“过拟合”，而是真正掌握了时空特征的精髓。

05总结与展望

UAV-Anti-UAV任务的提出，标志着低空安全研究向实战化迈出了重要一步。

l 新任务：填补了空对空动态追踪的空白。

l 新数据：百万级规模，多模态标注，为社区提供了标准测试床。

l 新基线：MambaSTS证明了状态空间模型在长序列动态追踪中的巨大潜力。

虽然MambaSTS表现出色，但距离解决全天候、全自主的空中拦截仍有距离（例如缺乏红外/LiDAR数据，且目前为离线训练）。挑战已经摆在面前，各位开发者，你们准备好迎接“空战”了吗？

��开源地址：

https://github.com/983632847/Awesome-Multimodal-Object-Tracking

l 参考论文：ChunhuiZhang,LiLiu,ZhipengZhang,YongWang,HaoWen,XiZhou,ShimingGe,YanfengWang.“HowFarareModernTrackersfromUAV-Anti-UAV?AMillion-ScaleBenchmarkandNewBaseline”,arXiv,2025.

立即下载：

https://arxiv.org/abs/2512.07385