Multi-Object Tracking in UAV Videos: A YOLOv11 Fusion Method for Detection and Segmentation Optimization
Notice bibliographique
Résumé
Abstract. The rapid evolution of deep learning has significantly advanced multi-object tracking (MOT) in UAV-based remote sensing applications. However, accurately detecting and tracking objects of varying sizes in complex UAV-captured environments remains a challenge. This research introduces a novel fusion-based approach that leverages YOLOv11, a state-of-the-art object detection framework, to enhance MOT performance on the VisDrone UAV dataset. The proposed method integrates two YOLOv11 configurations: detection mode, paired with the Bot-SORT tracker, optimized for large objects to ensure high precision and localization accuracy, and segmentation mode, combined with the Byte-Track tracker, designed to effectively detect and track smaller, less prominent objects. By fusing the outputs of these configurations, the approach ensures comprehensive object coverage across different size ranges, thereby improving both detection and tracking accuracy while enhancing segmentation performance. This method addresses critical limitations in existing models, such as low recall for small objects and imprecise localization for larger ones, which are particularly challenging in UAV datasets due to varying altitudes, occlusions, and dynamic backgrounds. The fusion strategy employs Intersection over Union (IoU)-based matching, weighted bounding box fusion, and confidence thresholding to enhance tracking reliability and accuracy. Experimental evaluations on the VisDrone dataset, using motion tracking metrics and the F1 score for detection and segmentation, demonstrate significant performance improvements across multiple UAV videos. The results show that the fused approach outperforms individual configurations while maintaining consistent object identity tracking over time. This research contributes to UAV-based remote sensing by providing a scalable and efficient MOT framework, making it particularly valuable for applications such as surveillance, traffic monitoring, and disaster response, where precise object localization and tracking are crucial.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».