【水下目标跟踪】Improving Underwater Visual Tracking With a Large Scale Dataset and Image Enhancement

原创于 2024-10-09 12:08:18 发布 · 532 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#目标跟踪 #人工智能 #计算机视觉

文章简介专栏收录该内容

9 篇文章

订阅专栏

这篇文章主要讨论了一个新提出的用于水下视觉目标跟踪 (Underwater Visual Object Tracking, UVOT) 的数据集和图像增强方法。以下是重点内容的总结：

研究背景：
- 由于在水下环境中，光照条件不均匀、能见度低、对比度低、目标伪装和水中颗粒反射等独特挑战，传统的视觉跟踪方法在水下表现较差。
- 提出了一个新型水下图像增强算法，旨在提升水下目标跟踪的质量。
数据集介绍：
- 提出了一个名为UVOT400的大规模基准数据集，包括400段视频和275,000个手动标注的帧。
- 数据集包含了多种水下特定的跟踪属性，例如水色变化、目标干扰物、目标伪装、相对目标大小和能见度低等。
图像增强算法 (UWIE-TR)：
- 提出了一个基于Transformer的图像增强方法，专门用于提升水下跟踪性能。
- 该算法利用多个已有图像增强方法的结果，由专家人工选择最优结果生成伪真值（pseudo-ground truth），并用这些数据来训练模型。
实验评估：
- 文章通过三种不同的评估协议（Protocol I、Protocol II、Protocol III）对数据集和图像增强方法进行了详细评估：
  - Protocol I：没有进行重新训练，直接评估现有跟踪器在UVOT400数据集上的性能。
  - Protocol II：对现有跟踪器进行微调训练，并在UVOT400数据集上进行评估。
  - Protocol III：在增强后的UVOT400数据集上进行训练和评估。
结果与发现：
- 在Protocol I中，所有跟踪器在水下环境中的性能明显下降，说明了水下环境挑战的严重性。
- 在Protocol II中，经过微调训练后，跟踪器的性能有所提升，但与开放环境的性能相比仍然存在较大差距。
- 在Protocol III中，经过图像增强后的数据集进一步显著提升了跟踪器的性能，证明了图像增强算法的有效性。
主要贡献：
- 提供了一个大规模高质量的UVOT400基准数据集，涵盖了多种水下特定属性。
- 提出了一个新颖的UWIE-TR图像增强算法，提高了现有SOTA跟踪器在水下场景中的性能。
- 提供了全面的基准测试，包括25种最新的视觉跟踪算法，展示了这些算法在水下环境中的性能显著下降。
未来工作：
- 仍需开发更为鲁棒的水下专用跟踪器，能够在端到端方式中进行图像增强和跟踪任务。