面向恶劣天气条件的统一多域自适应跟踪——UMDATrack
计算机视觉与模式识别
2025-07-02 v1
摘要
视觉对象跟踪在过去的几十年里取得了显著进展。大多数现有方法专注于在良好日间数据中学习目标表征，而对于受恶劣天气条件制约的真实场景（例如夜间或雾霾环境），巨大的域移导致显著的性能下降。本文提出了 UMDATrack，能够在统一的域自适应框架内维持高质量的目标状态预测，从而适应各种恶劣天气条件。具体而言，我们首先使用可控的场景生成器，在不同文本提示的指导下合成少量无标签视频（少于源 daytime 数据集中 2% 的帧），并模拟多种天气条件。随后，我们设计一种简单而有效的域自定义适配器 (DCA)，使目标对象的表征能够在不冗余模型更新的情况下快速适应各种天气条件。此外，为增强源域和目标域之间的局化一致性，我们提出了遵循最优传输定理的目标感知置信度对齐模块 (TCA)。广泛的实验表明，UMDATrack 能显著超越现有先进的视觉跟踪器，实现新的状态-of-the-art 性能。我们的代码已公开 https://github.com/Z-Z188/UMDATrack。
引用
@article{arxiv.2507.00648,
title = {UMDATrack: Unified Multi-Domain Adaptive Tracking Under Adverse Weather Conditions},
author = {Siyuan Yao and Rui Zhu and Ziqi Wang and Wenqi Ren and Yanyang Yan and Xiaochun Cao},
journal= {arXiv preprint arXiv:2507.00648},
year = {2025}
}
备注
Accepted to ICCV 2025