转型中的多动物跟踪：既有方法与新兴方法的比较洞察

精准畜牧业需要先进的监测工具来满足行业日益增长的管理需求。能够进行长期多动物跟踪 (MAT) 的计算机视觉系统对于畜牧生产中的连续行为监测至关重要。MAT 是多目标跟踪 (MOT) 的一个专门子集，与 MOT 共享许多挑战，但也面临特定领域的问题，包括频繁的动物遮挡、动物之间高度相似的外观、不规则的运动模式以及广泛的行为类型。虽然一些现有的 MAT 工具用户友好且被广泛采用，但它们通常不如最先进的 MOT 方法，这可能导致不准确的下游任务，如行为分析、健康状态估计和相关应用。在本研究中，我们对 MAT 和 MOT 方法在猪的长期跟踪中进行了基准测试。我们比较了 DeepLabCut 和 idTracker 等工具与基于 MOT 的方法，包括 ByteTrack、DeepSORT、跨输入一致性，以及 Track-Anything 和 PromptTrack 等较新的方法。所有方法都在一个 10 分钟的猪跟踪数据集上进行了评估。我们的结果表明，总体而言，即使对于长期跟踪场景，MOT 方法也优于传统的 MAT 工具。这些发现凸显了近期 MOT 技术在提高自动化牲畜跟踪的准确性和可靠性方面的潜力。