CRTrack：基于一致性正则化的低光照半监督多目标跟踪
计算机视觉与模式识别
2025-02-25 v1 人工智能
摘要
低光照环境下的多目标跟踪在现实生活中普遍存在。近年来，多目标跟踪领域取得了快速发展。然而，由于数据集的缺乏和标注成本高昂，低光照环境下的多目标跟踪仍然是一个持续的挑战。在本文中，我们关注低光照条件下的多目标跟踪。为了解决数据有限和数据集缺乏的问题，我们首先构建了一个低光照多目标跟踪数据集（LLMOT）。该数据集包含经过夜间条件增强的 MOT17 数据以及多个未标注的低光照视频。随后，为了应对高昂的标注成本并解决图像质量退化问题，我们提出了一种基于一致性正则化的半监督多目标跟踪方法，名为 CRTrack。首先，我们校准了一致的自适应采样分配以替代基于 IoU 的静态策略，使半监督跟踪方法能够抵抗有噪声的伪边界框。然后，我们设计了一种自适应的半监督网络更新方法，有效利用未标注数据来提升模型性能。数据集和代码：https://github.com/ZJZhao123/CRTrack。
引用
@article{arxiv.2502.16809,
title = {CRTrack: Low-Light Semi-Supervised Multi-object Tracking Based on Consistency Regularization},
author = {Zijing Zhao and Jianlong Yu and Lin Zhang and Shunli Zhang},
journal= {arXiv preprint arXiv:2502.16809},
year = {2025}
}