SIPTrack：一种考虑可靠性的稀疏间隔猪群多目标跟踪身份预测方法及新评估标准

《Expert Systems with Applications》：SIPTrack: Reliability-Aware Identity Prediction for Sparse-Interval Pig Multi-Object Tracking with a New Benchmark

　　基于视觉的多目标跟踪在精准畜牧业中至关重要，因为可靠的长期身份识别有助于进行个体行为分析、福利评估以及健康监测。然而，现有的跟踪算法和牲畜检测基准主要针对高密度采样数据设计，在处理长时间间隔、历史记录不连续、频繁遮挡、外观高度相似以及物体暂时消失后又重新出现等情况时的身份关联问题上仍显不足。本研究旨在建立并验证一种能够在稀疏观测条件下实现猪只长期身份可靠识别的基准与跟踪框架。为此，我们提出了PigMOT，这是一个在真实农场环境中收集的、适用于稀疏时间间隔的猪只多目标跟踪基准数据集；同时设计了SIPTrack，这是一种具备可靠性意识的时空身份预测框架。SIPTrack通过“稀疏间隔身份记忆”机制在保持近期连续性的同时参考早期关键信息，运用“时间约束的时空融合”方法借助因果历史背景优化当前模糊的检测结果，还通过“可靠性意识的身份预测与恢复”机制通过门控残差校正来稳定解码端的身份估计。此外，还采用了轨迹级增强策略以提高对不完整且不可靠的历史观测数据的适应性。在五次独立实验中，SIPTrack在PigMOT数据集上的HOTA准确率为67.1%，AssA准确率为61.3%，IDF1准确率为86.6%，显著优于传统跟踪算法。在标注密度较高的PigTrack数据集上，其性能分别为HOTA准确率89.3%，IDF1准确率95.8%。这些结果表明，合理的结构化历史背景与保守的身份优化策略为在稀疏且信息模糊的观测条件下实现长期牲畜跟踪提供了有效且具有通用性的解决方案。