CRTrack: Low-Light Semi-Supervised Multi-Object Tracking Based on Consistency Regularization

Zijing Zhao

doi:10.3390/jimaging12090440

CRTrack: Low-Light Semi-Supervised Multi-Object Tracking Based on Consistency Regularization

2026-09-14

0

OA

AI

DOI：10.3390/jimaging12090440

原文链接

原文求助

摘要

En 中文

低光照环境下的多目标跟踪（MOT）具有重要的实际应用价值。尽管多目标跟踪领域取得了显著进展，但低光照MOT仍受限于专用数据集的缺乏，这主要是因为收集和手动标注低光照跟踪数据既困难又成本高昂。本文通过方法学和数据集创新专门解决了这些挑战。我们首先提出低光照多目标跟踪（LLMOT），这是首个包含11,580张图像的综合性低光照MOT数据集，其中5,316张为标注图像，6,264张为未标注图像，由夜间增强的MOT17序列和多个未标注的低光照视频组成。为同时缓解标注成本限制并解决低光照引起的图像降质对伪标签质量造成的影响，我们提出了一致性正则化跟踪（CRTrack），一种针对低光照场景的半监督框架。具体而言，我们引入了一种一致性自适应采样分配机制，用于在低光照条件下校准和过滤噪声及偏移的伪边界框。随后，我们设计了一种自适应半监督网络更新策略，使模型能更稳定地利用未标注的低光照视频进行迭代优化。在LLMOT数据集上的大量实验验证了所提出方法的有效性和鲁棒性。CRTrack在LLMOT数据集上实现了62.472 HOTA、71.544 MOTA和75.864 IDF1的性能，证明了其在低光照MOT中的有效性。我们的方法为低光照MOT任务提供了具有重大实际意义的解决方案。

Keyword:

multi-object tracking

low-light

semi-supervised learning

consistency regularization

CRTrack: Low-Light Semi-Supervised Multi-Object Tracking Based on Consistency Regularization

摘要

期刊

机构

引用论文