来源：公众号“CV实验室”

原文链接：https://mp.weixin.qq.com/s/65JSJhgEB_O_2epsG0pfIw?scene=1&click_id=51

在计算机视觉领域，目标追踪（Visual Tracking）一直需要在“高精度”和“低功耗”之间寻找平衡。SNN（脉冲神经网络）因其生物仿真特性和极高的能源效率被寄予厚望，但在处理复杂的RGB视觉追踪任务时，往往难以兼顾精度。

今天介绍的这篇CVPR 2026论文SpikeTrack，提出了一种全新的全脉冲驱动框架。它不仅在SNN追踪器中达到了SOTA（目前最佳）水平，更在保证精度的前提下，将能耗降低至传统ANN追踪器的几十分之一。

论文标题：SpikeTrack: A Spike-driven Framework for Efficient Visual Tracking

论文链接：https://arxiv.org/pdf/2602.23963

代码仓库：https://github.com/faicaiwawa/SpikeTrack (已开源)

现有的SNN追踪框架主要面临两个问题：

SpikeTrack 的解决方案：非对称孪生架构

作者没有照搬ANN的交互模式，而是设计了一种非对称（Asymmetric）的设计：

SpikeTrack 的架构主要由三个部分组成：共享权重的脉冲主干网络（Backbone）、用于信息交互的记忆检索模块（MRM）、以及预测头。

为了保证真正的脉冲驱动，论文采用了NI-LIF (Normalized Integer Leaky Integrate-and-Fire)神经元。它在推理时将膜电位转换为整数脉冲，实现了稀疏的加法计算，替代了高能耗的浮点乘法。

其动力学方程如下：

其中，是膜电位，是输出脉冲，是可学习的衰减因子。可学习的衰减因子允许网络自适应地调节对历史信息的遗忘程度。

这是SpikeTrack最核心的创新点。为了实现“模板”到“搜索”的高效信息传递，作者借鉴了大脑皮层（V1 L2/3区域）的神经推理机制：通过循环连接（Recurrent Connectivity）来完善感知。

在SpikeTrack中，模板特征被初始化为“记忆库（Memory Bank）”。搜索分支在推理时，并不直接与模板拼接，而是通过MRM模块去“查询”记忆库，逐步提取目标线索。

MRM 的工作流程包含三个阶段的循环（Recurrent Process）：

最终，通过多次循环检索（实验中1次循环效果最佳），搜索分支能精准地“想起来”目标长什么样，并定位目标。

在LaSOT数据集上，SpikeTrack展现了惊人的能效比。

MRM模块到底学到了什么？可视化结果显示，随着层级加深，网络能够从通过检索记忆库，在复杂的遮挡、背景干扰下，逐渐聚焦于目标物体。

SpikeTrack 的成功证明了 SNN 在复杂视觉任务中的潜力。其核心贡献在于跳出了“一味模仿 ANN 架构”的误区，结合了 SNN 特有的时空计算特性：

这项工作不仅刷新了 SNN 追踪的 SOTA，也为在极低功耗设备（如微型无人机、边缘计算芯片）上部署高精度视觉追踪算法提供了切实可行的方案。