Dist-Tracker: A Small Object-Aware Detector and Tracker for UAV Tracking
Notice bibliographique
Résumé
The widespread adoption of civil unmanned aerial vehicles (UAVs) has accelerated the development of anti-UAV technologies. Despite thermal infrared video enables all-weather surveillance, existing methods for multi-UAV tracking struggle with low thermal contrast, object scale variation, and erratic motion patterns. In this paper, we propose Dist-Tracker, a two-stage framework integrating a Scale-Shape-Quality (SSQ) detector based on YOLOv12 and Fusion of L2-IoU Tracker (FLIT) to address these challenges. For detection, SSQ introduces scale-aware Wasserstein distance with covariance alignment, dynamic shape-aware penalties, and adaptive gradient modulation to resolve geometric instability in small infrared targets. For tracking, FLIT synergizes IoU and L2 metrics with camera motion compensation, mitigating spatial jitter and occlusion-induced ambiguities through hybrid cost metric optimization. Comprehensive evaluations on the validation set from the Anti-UAV dataset demonstrate that our proposed framework achieves remarkable performance, with a detection A P50of 93.9 % and a tracking MOTA of 77.5 % in cluttered infrared environments, significantly advancing UAV swarm detecting and tracking capabilities through geometric-stable perception and motion-resilient association. Our method won first place in the 4-th Anti-UAV challenge Track3 (tracking MOTA:81.32% on the official test set).
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».