Multi-Object Tracking in the Dark

要約

低照度のシーンは、現実世界のアプリケーション (自動運転や夜間の監視など) でよく見られます。
最近、さまざまな実用ケースにおけるマルチオブジェクト追跡が注目を集めていますが、暗いシーンでのマルチオブジェクト追跡はほとんど考慮されていません。
この論文では、暗いシーンでの複数のオブジェクトの追跡に焦点を当てます。
データセットの不足に対処するために、まず低照度複数オブジェクト追跡 (LMOT) データセットを構築します。
LMOT は、デュアル カメラ システムによってキャプチャされた適切に調整された低照度ビデオ ペアと、すべてのビデオに対する高品質のマルチオブジェクト トラッキング アノテーションを提供します。
次に、LTrack と呼ばれる低照度マルチオブジェクト追跡方法を提案します。
適応型ローパス ダウンサンプル モジュールを導入して、センサー ノイズの外側の画像の低周波成分を強化します。
劣化抑制学習戦略により、モデルはノイズ外乱や画質劣化の下で不変情報を学習できます。
これらのコンポーネントは、暗いシーンでのマルチオブジェクト追跡の堅牢性を向上させます。
私たちは LMOT データセットの包括的な分析を実施し、LTrack を提案しました。
実験結果は、提案された方法の優位性と実際の夜間の低照度シーンでの競争力を示しています。
データセットとコード: https://github.com/ying-fu/LMOT

要約(オリジナル)

Low-light scenes are prevalent in real-world applications (e.g. autonomous driving and surveillance at night). Recently, multi-object tracking in various practical use cases have received much attention, but multi-object tracking in dark scenes is rarely considered. In this paper, we focus on multi-object tracking in dark scenes. To address the lack of datasets, we first build a Low-light Multi-Object Tracking (LMOT) dataset. LMOT provides well-aligned low-light video pairs captured by our dual-camera system, and high-quality multi-object tracking annotations for all videos. Then, we propose a low-light multi-object tracking method, termed as LTrack. We introduce the adaptive low-pass downsample module to enhance low-frequency components of images outside the sensor noises. The degradation suppression learning strategy enables the model to learn invariant information under noise disturbance and image quality degradation. These components improve the robustness of multi-object tracking in dark scenes. We conducted a comprehensive analysis of our LMOT dataset and proposed LTrack. Experimental results demonstrate the superiority of the proposed method and its competitiveness in real night low-light scenes. Dataset and Code: https: //github.com/ying-fu/LMOT

arxiv情報

提供元, 利用サービス

arxiv.jp, Google