YOLOv8-SMOT：基于分片训练与自适应关联的实时小目标跟踪高效稳健框架
计算机视觉与模式识别
2025-07-22 v2
摘要
从无人机视角跟踪小型敏捷多目标（如鸟类）是极具挑战性的计算机视觉任务。其难度主要来源于三方面：目标外观特征的极度稀缺、相对于目标本身动力学的摄像机组合运动导致的复杂运动耦合，以及稠密群体行为引发的频繁遮挡和身份歧义。本文详细阐述了我们在2025年MVA挑战赛“Finding Birds”小多目标跟踪赛（SMOT4SB）中获奖方案，采用跟踪-检测范式，在检测与关联两个层面进行针对性创新。在检测侧，我们提出了名为\textbf{SliceTrain}的系统化训练增强框架。通过“确定性全覆盖切片”与“切片级随机增广”的协同作用，有效解决了高分辨率图像训练中小目标学习不足的问题。在跟踪侧，我们设计了一个完全独立于外观信息的稳健跟踪器。将运动方向保持（EMA）机制与结合了边界框扩张和距离惩罚的自适应相似度度量集成到OC-SORT框架中，使跟踪器能够稳定处理不规则运动并保持目标身份。在SMOT4SB公开测试集上，我们的方法实现了\textbf{55.205}的SO-HOTA分数，充分验证了该框架在解决复杂现实SMOT问题方面的有效性与突破性。源码将发布于https://github.com/Salvatore-Love/YOLOv8-SMOT。
引用
@article{arxiv.2507.12087,
title = {YOLOv8-SMOT: An Efficient and Robust Framework for Real-Time Small Object Tracking via Slice-Assisted Training and Adaptive Association},
author = {Xiang Yu and Xinyao Liu and Guang Liang},
journal= {arXiv preprint arXiv:2507.12087},
year = {2025}
}