面向空间科学实验的基于运动的模型生物体多目标跟踪
计算机视觉与模式识别
2026-04-30 v1
摘要
自动化动物行为分析依赖于长期、可解释的单个轨迹；然而，由于弱的外观线索、低质量成像、复杂的机动行为以及频繁的相互作用，空间科学实验视频中的多动物跟踪仍然高度具有挑战性。为解决此问题，我们首先构建了SpaceAnimal-MOT数据集，以刻画微重力条件下获取的生物学视频中运动复杂度和长期身份保持挑战。随后，我们提出了ART-Track(自适应鲁棒跟踪)，一个针对该场景的运动驱动跟踪框架。具体而言，引入多模型运动估计来处理突然的机动和非线性运动，设计运动状态驱动的关联以减少密集相互作用下的身份切换和暂时不匹配，采用不确定性自适应融合在预测可靠性变化时动态平衡空间和运动线索。实验结果表明，ART-Track在斑马鱼和果蝇序列上显著减少了身份切换，同时在遮挡、变形和高密度相互作用下保持更稳定的关联，从而为下游定量行为分析提供了更可靠的跟踪基础。代码已公开available at https://github.com/yyy7777777/ART_TRACK/tree/main.
引用
@article{arxiv.2604.26321,
title = {Motion-Driven Multi-Object Tracking of Model Organisms in Space Science Experiments},
author = {Jianing You and Han Wang and Kang Liu and Jiale Ding and Fengjie Chu and Zihan Guo and Shengyang Li},
journal= {arXiv preprint arXiv:2604.26321},
year = {2026}
}
备注
2026 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW)