Multi-Object Tracking in the Dark

本文研究了暗场景下的多目标跟踪问题，而暗场景在实际应用中非常普遍，例如自动驾驶和夜间监控。虽然多目标跟踪在各种实际应用中受到了广泛关注，但在暗场景下的多目标跟踪却很少被考虑。为了解决数据集的缺乏问题，作者首先构建了一个低光多目标跟踪数据集（LMOT），该数据集提供了由双摄像头系统捕获的对齐良好的低光视频对，并为所有视频提供了高质量的多目标跟踪注释。然后，作者提出了一种低光多目标跟踪方法，称为LTrack。作者引入了自适应低通下采样模块来增强传感器噪声之外的图像低频成分。降级抑制学习策略使模型能够在噪声干扰和图像质量降低的情况下学习不变信息。这些组件提高了暗场景下多目标跟踪的鲁棒性。作者对LMOT数据集和LTrack方法进行了全面的分析。实验结果表明了该方法的优越性以及在实际夜间低光场景中的竞争力。数据集和代码可在 https: //github.com/ying-fu/LMOT 上获取。

本论文旨在解决在低光环境下的多目标跟踪问题，针对现有数据集缺乏的问题，建立了一个LMOT数据集。

论文提出了一种低光多目标跟踪方法LTrack，其中包括自适应低通下采样模块和降解抑制学习策略，以提高在低光环境下的多目标跟踪鲁棒性。

本文提出的LTrack方法在低光环境下的多目标跟踪方面具有优越性和竞争力。同时，作者还开放了LMOT数据集和代码，供研究者使用。值得进一步研究。

在这个领域中，最近的相关研究包括：'Learning to Track at 100 FPS with Deep Regression Networks'、'Visual Tracking with Fully Convolutional Networks'等。