基于显式与隐式提示的多目标跟踪重构
计算机视觉与模式识别
2025-10-16 v1
摘要
多模态语义线索（如文本描述）在增强跟踪目标感知方面显示出强大的潜力。然而，现有方法依赖大型语言模型生成的静态文本描述，缺乏对实时目标状态变化的适应性，并且容易产生幻觉。为此，本文提出一种统一的多模态视觉-语言跟踪框架 EPIPTrack，利用显式提示与隐式提示进行动态目标建模与语义对齐。具体而言，显式提示将空间运动信息转化为自然语言描述，以提供时空指引；隐式提示则将伪词与可学习的描述符结合，以构建个性化知识表征，捕获外观属性。两类提示均通过 CLIP 文本编码器进行动态调整，以响应目标状态的变化。此外，本文设计了判别特征增强器，以提升视觉特征与跨模态表征。在 MOT17、MOT20 和 DanceTrack 上进行的广泛实验表明，EPIPTrack 在多种场景下超越现有跟踪器，展现出稳健的适应性与卓越的性能。
关键词
引用
@article{arxiv.2510.13235,
title = {EPIPTrack: Rethinking Prompt Modeling with Explicit and Implicit Prompts for Multi-Object Tracking},
author = {Yukuan Zhang and Jiarui Zhao and Shangqing Nie and Jin Kuang and Shengsheng Wang},
journal= {arXiv preprint arXiv:2510.13235},
year = {2025}
}