近年、RGB-T追跡手法は可視光と熱赤外画像の補完的特性により、視覚追跡分野で広く応用されています。しかし、既存の手法はモーダル間の補完情報利用に限界があり、特にTransformerベースのアルゴリズムはモーダル間の直接的な相互作用が不足しており、RGBとTIRモードの意味情報を十分に抽出することが困難です。これらの問題に対処するため、多モーダル特徴融合RGB-Tターゲット追跡ネットワーク（Multi-Modal Feature Fusion Tracking Network for RGB-T、MMFFTN）を提案しました。本ネットワークはバックボーンネットワークで初期特徴を抽出した後、チャネル特徴融合モジュール（Channel Feature Fusion Module、CFFM）を導入し、RGBとTIRチャネル特徴の直接的な相互作用と融合を実現します。次に、RGBとTIRモードの差異により融合効果が不十分となる問題に対処するため、適応的融合戦略を用いてRGBとTIRの全局的特徴をさらに融合するクロスモーダル特徴融合モジュール（Cross-Modal Feature Fusion Module、CMFM）を設計しました。本論文で提案した追跡モデルはGTOT、RGBT234、LasHeRの3つのデータセットで詳細な実験評価を実施しました。実験結果は、最新のTransformerベース追跡器ViPTと比較して、MMFFTNが成功率（Success Rate）と精度（Precision Rate）をそれぞれ3.0%と4.7%向上させ、Transformerベース追跡器SDSTrackと比較して成功率と精度をそれぞれ2.4%と3.3%向上させたことを示しています。

RGB-Tターゲット追跡;Transformer;チャネル特徴融合;クロスモーダル特徴融合