NOOUGAT：面向统一在线与离线多目标跟踪
计算机视觉与模式识别
2026-04-21 v2
摘要
在线和离线多目标跟踪 (MOT) 长期以来存在的划分导致解决方案碎片化，无法满足实际部署场景中灵活的时序需求。当前的在线跟踪器依赖帧-帧手工关联策略，难以处理长期遮挡；而离线方法虽能覆盖更大的时间间隔，但仍依赖于用于任意长序列的启发式拼接。在本文中，我们引入 NOOUGAT，首个设计可任意时序范围运行的跟踪器。NOOUGAT 利用统一的图神经网络 (GNN) 框架处理非重叠子片段，并通过一种新的自回归长期跟踪 (ALT) 层进行融合。子片段大小控制延迟与时序上下文之间的权衡，使其能够覆盖从帧-帧到批处理的广泛部署场景。NOOUGAT 在两种跟踪模式下均实现了最先进的性能，在 DanceTrack 上提升 AssA 指标 +2.3，在 SportsMOT 上提升 +9.2，在 MOT20 上提升 +5.0，离线模式下的提升更为显著。
引用
@article{arxiv.2509.02111,
title = {NOOUGAT: Towards Unified Online and Offline Multi-Object Tracking},
author = {Benjamin Missaoui and Orcun Cetintas and Guillem Brasó and Tim Meinhardt and Laura Leal-Taixé},
journal= {arXiv preprint arXiv:2509.02111},
year = {2026}
}
备注
Accepted to International Journal of Computer Vision (IJCV)