面向复杂环境下鲑鱼福利监控的多用途跟踪框架
计算机视觉与模式识别
2026-05-19 v1
摘要
基于计算机视觉 (CV) 的连续、自动化且精确的鲑鱼福利监控，是降低工业水产养殖网箱中鲑鱼死亡率并改善其福利的关键步骤。现有的用于确定福利指标的 CV 方法侧重于单一指标，并依赖来自其他应用领域的目标检测器和跟踪器来辅助其福利指标计算算法。这对于实际应用而言具有很高的资源需求，因为每个指标必须单独计算。此外，这些方法容易受到水下鲑鱼场景中困难的影响，例如目标遮挡、相似的目标外观和相似的目标运动。为了应对这些挑战，我们提出了一种灵活的跟踪框架，该框架使用姿态估计网络来提取鲑鱼及其对应身体部位的边界框，并通过专门的模块利用身体部位的信息来解决水下鲑鱼场景特有的挑战。随后，高细节的身体部位轨迹被用于计算福利指标。我们构建了两个新颖的数据集，用于评估两个鲑鱼跟踪挑战：拥挤场景中的鲑鱼 ID 转移和转弯过程中的鲑鱼 ID 切换。我们的方法在两个鲑鱼跟踪挑战上均优于当前 SOTA 的行人跟踪器 BoostTrack。此外，我们创建了一个用于计算鲑鱼尾拍波长的数据集，证明了我们的身体部位跟踪方法非常适合基于尾拍分析的自动化福利监控。数据集和代码可在 https://github.com/espenbh/BoostCompTrack 获取。
引用
@article{arxiv.2509.25969,
title = {A Multi-purpose Tracking Framework for Salmon Welfare Monitoring in Challenging Environments},
author = {Espen Uri Høgstedt and Christian Schellewald and Annette Stahl and Rudolf Mester},
journal= {arXiv preprint arXiv:2509.25969},
year = {2026}
}
备注
Accepted to the Joint Workshop on Marine Vision 2025 (CVAUI & AAMVEM), held in conjunction with ICCV 2025