MétaCan
Menu
Retour à la cohorte
Enregistrement W4417284254 · doi:10.1109/lra.2025.3643272

Low-Light Amodal Objects Tracking: A Benchmark

2025· article· W4417284254 sur OpenAlexaff
Junjie Ding, Defeng Huang, Yejun He, Hengzhou Ye, Shuiwang Li

Notice bibliographique

RevueIEEE Robotics and Automation Letters · 2025
Typearticle
Langue
DomaineComputer Science
ThématiqueVideo Surveillance and Tracking Methods
Établissements canadiensArtificial Intelligence in Medicine (Canada)
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésAmodal perceptionBenchmark (surveying)Object detectionBounding overwatchVideo trackingObject (grammar)Minimum bounding boxMetric (unit)

Résumé

récupéré en direct d'OpenAlex

Object tracking in real-world scenarios is often hampered by the simultaneous challenges of low light and partial object occlusion. While existing evaluation datasets have tackled these scenarios separately-focusing either on low-light settings or amodal perception-their co-occurrence has rarely been studied. To bridge this gap, we introduce LAOT (Low-Light Amodal Object Tracking), a benchmark tailored to assess how state-of-the-art tracking algorithms perform under the combined challenges of dim lighting and partial object occlusion. The dataset consists of 201 diverse video sequences with over 16K frames, each meticulously annotated with both modal bounding boxes (representing the visible part of the object) and amodal bounding boxes (estimating the complete object extent, including occluded regions). To characterize occlusion severity, object instances are categorized into three levels based on visible proportion: 0-20% (no occlusion), 20-80% (partial occlusion), and 80-100% (heavy occlusion). We benchmark 21 state-of-the-art tracking algorithms, including ARTrack [1], AVTrack [2], DropTrack [3], SeqTrack [4], ProContEXT [5], and HIPTrack [6], using Average Precision (AP) as the evaluation metric across occlusion levels. The results reveal a consistent decline in tracking accuracy as occlusion increases. For example, DropTrack achieves 0.8382 AP without occlusion but drops to 0.1730 AP with heavy occlusion; similarly, AVTrack falls from 0.7375 to 0.1276. These findings expose the limitations of current methods in coping with simultaneous challenges in low light and amodal perception. LAOT serves as a comprehensive and diagnostic benchmark to guide the development of robust perception-aware tracking algorithms suited for visually degraded environments.The LAOT is available at <uri xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">https://github.com/LSW-CVLab/LAOT</uri>

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,888
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,269
Écart entre enseignants0,256 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Robotics and Automation LettersMême sujetVideo Surveillance and Tracking MethodsTravaux en français237 207