无需训练即有增益：迈向体育及更广泛领域的通用多目标跟踪
计算机视觉与模式识别
2025-06-03 v1
摘要
多目标跟踪(MOT)对于体育分析至关重要，能够实现性能评估和战术洞察。然而，由于快速运动、遮挡和镜头切换，体育场景中的跟踪极具挑战性。传统的基于检测的跟踪方法需要大量调参，而基于分割的方法在轨迹处理上存在困难。我们提出了McByte，一个基于检测的跟踪框架，该框架集成了时间传播的分割掩码作为关联线索，无需针对每个视频进行调参即可提高鲁棒性。与许多现有方法不同，McByte不需要训练，仅依赖于社区常用的预训练模型和目标检测器。在SportsMOT、DanceTrack、SoccerNet-tracking 2022和MOT17上的评估表明，McByte在体育和通用行人跟踪中均表现出色。我们的结果突出了掩码传播对于构建更具适应性和泛化能力的MOT方法的优势。代码将发布于 https://github.com/tstanczyk95/McByte。
引用
@article{arxiv.2506.01373,
title = {No Train Yet Gain: Towards Generic Multi-Object Tracking in Sports and Beyond},
author = {Tomasz Stanczyk and Seongro Yoon and Francois Bremond},
journal= {arXiv preprint arXiv:2506.01373},
year = {2025}
}