基于超图状态的多目标跟踪协同推理
计算机视觉与模式识别
2026-04-15 v1
摘要
运动推理是多目标跟踪（MOT）的基石，因为它能够实现跨帧目标的一致关联。然而，现有的运动估计方法面临两个主要局限：(1) 因噪声或概率性预测导致的不稳定性，(2) 在遮挡情况下的脆弱性，当视觉线索消失时，轨迹常常中断。为克服这些问题，我们提出了一种通过多个相关目标联合推理来增强运动估计的协作推理框架。通过使具有相似运动状态的目标能够相互约束和细化彼此的运动，本框架能够稳定噪声轨迹，并在目标遮挡时推断合理的运动连续性。为实现这一概念，我们设计了HyperSSM架构，将超图计算与状态空间模型（SSM）集成，用于统一的时空推理。超图模块通过动态超边捕获空间运动相关性，而SSM通过结构化状态转换实现时间平滑性。这种协同设计使空间共识与时间一致性能够同时优化，实现稳健且稳定的运动估计。在覆盖various运动模式和场景复杂度的四个主流且多样化基准测试（MOT17、MOT20、DanceTrack和SportsMOT）上进行了大量实验，表明我们的方法在广泛的跟踪场景中实现了最先进的性能。
引用
@article{arxiv.2604.12665,
title = {Hypergraph-State Collaborative Reasoning for Multi-Object Tracking},
author = {Zikai Song and Junqing Yu and Yi-Ping Phoebe Chen and Wei Yang and Xinchao Wang},
journal= {arXiv preprint arXiv:2604.12665},
year = {2026}
}