Robust Ultra-Lightweight Multi-Object Tracking on UAVs in Diverse Weather Environments
Notice bibliographique
Résumé
The integration of unmanned aerial vehicles (UAVs) into intelligent transportation systems (ITS) provides a scalable and dynamic solution for real-time traffic monitoring and multi-object tracking (MOT). This paper presents a comprehensive evaluation of lightweight and resilient MOT algorithms optimized for UAV platforms operating under constrained computational budgets and diverse weather conditions. Using the UAVDT dataset, which features complex urban environments with occlusions, varying illumination, and small object instances, we assess three advanced MOT frameworks: FairMOT with YOLOv5 and HRNet18 backbones, and ByteTrack with a YOLOX-S backbone. The proposed FairMOT-YOLOv5 configuration consistently outperforms existing state-of-the-art methods in terms of identity preservation, tracking robustness, and deployment feasibility. It achieves optimal performance using a single NVIDIA RTX 3080 GPU with 10GB VRAM, marking the best results we have attained under the given constraints. While the HRNet18 backbone yields slightly higher detection precision, it does so with significantly increased training time. ByteTrack underperforms in recall and stability under complex conditions. These findings reinforce the effectiveness of unified detection and re-identification frameworks in aerial tracking and demonstrate the practical readiness of our approach for real-world ITS applications across diverse and adverse weather conditions.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».