利用大规模数据集与图像增强改进水下视觉跟踪
计算机视觉与模式识别
2023-09-01 v2
摘要
本文提出了一种用于水下视觉目标跟踪（UVOT）的新数据集和通用跟踪器增强方法。尽管具有重要意义，但由于数据难以获取，水下跟踪一直未被探索。它带来了独特的挑战：水下环境表现出非均匀光照条件、低能见度、缺乏锐度、低对比度、伪装以及悬浮颗粒的反射。主要为地面或露天场景设计的传统跟踪方法在此类条件下性能下降。我们通过提出一种专门设计用于提升跟踪质量的新颖水下图像增强算法来解决该问题。该方法使最先进（SOTA）视觉跟踪器的性能显著提升，AUC 最高提升 5.0%。为开发鲁棒且准确的水下视觉目标跟踪方法，需要大规模数据集。为此，我们引入了一个大规模 UVOT 基准数据集，包含 400 个视频片段和 275,000 个人工标注帧，支持深度跟踪器的水下训练与评估。这些视频标注了若干水下特有跟踪属性，包括水色变化、目标干扰物、伪装、目标相对尺寸和低能见度条件。UVOT400 数据集、跟踪结果和代码公开于：https://github.com/BasitAlawode/UWVOT400。
引用
@article{arxiv.2308.15816,
title = {Improving Underwater Visual Tracking With a Large Scale Dataset and Image Enhancement},
author = {Basit Alawode and Fayaz Ali Dharejo and Mehnaz Ummar and Yuhang Guo and Arif Mahmood and Naoufel Werghi and Fahad Shahbaz Khan and Jiri Matas and Sajid Javed},
journal= {arXiv preprint arXiv:2308.15816},
year = {2023}
}