注册

新框架提升全遮挡与长期遮挡下的目标追踪性能

论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合

本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。

针对实时多目标追踪在遮挡场景下的脆弱性，该研究提出一种抗遮挡框架。该方案整合了 YOLOv11n 目标检测、卡尔曼滤波运动预测以及遮挡感知的外观重识别技术，涵盖检测、遮挡期间位置估算及重现后身份恢复三个阶段。在对比测试中，基于遮挡感知掩码网络（OAMN）的配置表现最佳。在公共 OVIS 数据集上，该框架的多目标追踪准确率（MOTA）较 OccluTrack 提升 18.1%，身份 F1 分数（IDF1）提升 25.1%，身份切换次数减少 12.8%。在模拟战场环境的自定义军事数据集上，其 MOTA 达 0.734，IDF1 达 0.729。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

三阶段跟踪流程

该框架把目标跟踪拆成三个前后衔接的环节：先由 YOLOv11n 完成目标检测，在目标被遮挡期间依靠卡尔曼滤波对位置进行估计，待目标重新出现后再通过外观特征完成身份找回。作者把遮挡问题处理为轨迹连续性问题，而不是在目标消失时直接结束轨迹。检测环节提供每帧的目标框，运动预测环节在缺少观测的情况下维持对目标位置的推断，重识别环节则负责把重新出现的目标与原有身份对应起来。三者串联后，系统在目标完全离开画面或长时间不可见时仍保留其身份记录，从而避免轨迹被提前终止。

重识别模块的选型

在同一个跟踪框架与相同实验条件下，作者比较了六种重识别网络结构，最终选用 Occlusion-Aware Mask Network（OAMN），原因是它在整体表现上优于其余五种候选结构。这一比较的意义在于，重识别模块是遮挡后恢复身份的关键部件，其选择直接影响目标重新出现时能否被正确关联到原轨迹。作者没有把重识别当作独立任务评测，而是放入完整跟踪流程中横向对比，使选型结果与最终系统的实际表现直接对应。

公开数据集上的对比

作者在公开的 OVIS 数据集上将该框架与 OccluTrack 进行对照，比较多目标跟踪准确率与身份 F1 分数两项指标，并统计身份切换次数。材料给出的是相对提升幅度与身份切换的下降比例，未在摘要中列出各指标的绝对数值。对比对象 OccluTrack 同样面向遮挡场景，因此这一组结果反映的是在已有遮挡跟踪方案基础上的增量表现，而非与通用跟踪器的比较。

自建数据与适用场景

作者还构建了一个自建数据集，用于模拟监控与战场类环境中长时间遮挡的情形。在该数据上，框架取得的多目标跟踪准确率为 0.734，身份 F1 分数为 0.729，相对 OccluTrack 分别有提升。摘要说明该系统在目标可见性丧失期间仍能保持较强的轨迹连续性与身份保持能力，并指出其面向需要持续跟踪的防御相关监控用途。论文共 25 页，含 10 幅图与 7 张表，归属于计算机视觉与模式识别方向。

为什么值得看

解决了长期全遮挡导致的追踪中断问题，在军事监控场景指标显著提升。

数据集

信源1 家

  1. [1]arXiv cs.AI一手信源Tracking the Unseen: An Occlusion-Robust Framework for Target Tracking Under Full and Long-Term Occlusion

关键事实

  • 框架整合 YOLOv11n、卡尔曼滤波及遮挡感知重识别，分三阶段处理遮挡。[1]

  • 在 OVIS 数据集上 MOTA 提升 18.1%，IDF1 提升 25.1%，身份切换减少 12.8%。[1]

  • 在自定义军事数据集上 MOTA 达 0.734，IDF1 达 0.729。[1]

相关 · 论文

360图龙锋以99.4%漏洞复现成功率登顶CyberGym榜单

11月6日 周五·AI 78

OpenAI 推出 BioBasicsBench，用 100 项任务评测 AI…

11月6日 周五·AI 72

SwarmEvolve：数百个低成本智能体在潜空间协作完成进化搜索

11月6日 周五·AI 78

论文提出 Scientist World：把每篇论文变成可执行研究环境

11月6日 周五·AI 78

本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。

去论坛讨论