该文提出了一个名为 VT5000 的新 RGBT 图像数据集，包括 5000 个具有地面实况标注的空间对齐的 RGBT 图像对。 该文介绍了一种基于多级特征和注意机制的强大基线方法，用于准确的 RGBT 显著目标检测，并在 VT5000 数据集和其他两个公共数据集上优于现有技术水平。

Jul, 2020

本文提出了一种基于新颖的协作图学习算法的 RGB-T 图像显着性检测的有效方法，利用超像素作为图节点，在联合优化框架中共同使用分层深度特征来共同学习图相似性和节点显着性；同时，贡献了一个更具挑战性的数据集以用于 RGB-T 图像显着性检测，并在公共数据集和新创建的数据集上的广泛实验表明，所提出的方法在对比其他 RGB-T 显着性检测方法时表现得很有优势。

May, 2019

该研究提出了一个大规模的 RGB-T 追踪视频基准数据集和一种新的基于图的方法，以学习强大的对象表示并实现多源数据融合的自适应融合，对其他最先进的追踪方法进行比较，并提供了对 RGB-T 对象追踪领域的新见解和潜在研究方向。

May, 2018

我们提出了一种多模态混合损失方法（MMHL），并引入了混合融合模块，在 RGB 和热感特征融合时考虑了空间和通道信息。同时，我们实施了顺序训练策略，通过在第一阶段仅对 RGB 图像进行训练，然后学习跨模态特征，从而提高了显著性检测性能，而无需额外计算开销。性能评估和消融研究结果表明，与现有的最先进方法相比，该方法取得了卓越的性能。

Sep, 2023

通过提出一个利用语义引导的非对齐关键区域的不对称关联网络（SACNet），本文首次尝试解决未经手动对齐的 RGB 和热像对的 RGB 和 Thermal 显著目标检测（SOD）问题。使用统一的基准数据集 UVT2000，在对齐和非对齐数据集上进行了大量实验，证明了我们方法的有效性和出色的性能。

Jun, 2024

本文构建了第一个大规模的多类别可见 - 热红外小目标检测（RGBT SOD）基准数据集（RGBT-Tiny），包括 115 对序列，93K 帧和 1.2M 标注，同时提出了一种适应尺度的健康度量标准（SAFit），并进行了广泛的评估。

Jun, 2024

本研究旨在构建一个高度多样化的可见热（RGB-T）无人机跟踪（VTUAV）基准，包括 500 个序列和 170 万帧对，以及设计了一个名为 Hierarchical Multi-modal Fusion Tracker (HMFT) 的新的 RGB-T 基准，该基准可以在各个级别上融合 RGB-T 数据。

Apr, 2022

本文提出了一个名为 TNet 的网络，通过引入全局光照估计模块，设置不同的跨模态交互机制以及两阶段本地化和补全模块，来解决 RGB-T 显著性目标检测任务。在三个数据集上进行的广泛实验证明，与 20 种最先进的方法相比，所提出的 TNet 具有竞争性的性能。

Oct, 2022

提出了一种非常简单的组合打乱多感受注意力（GSMA）模块，用于提取和结合多尺度 RGB 和热能特征，然后将提取的多模态特征直接集成到多级路径聚合网络中，显著改善了融合效果和效率，并通过多模态监督（MS）来充分监督 RGB-T 目标检测，实验证明该模型在保持竞争力的同时达到了最先进的准确性。

May, 2024

本篇研究通过使用 RGBT 图像和多模态协作表征学习框架来实现人群计数，并提供一个大规模 RGBT 人群计数基准测试数据集，研究表明该框架在 RGBT 人群计数和多模态人群计数方面表现优异。

Dec, 2020