PlugTrack：用于自适应融合的多感知运动分析
计算机视觉与模式识别
2025-11-18 v1
摘要
多目标跟踪（MOT）主要遵循跟踪-检测范式，其中卡尔曼滤波作为标准运动预测器因计算效率而被采用，但本质上无法处理非线性运动模式。相比之下，最近的数据驱动运动预测器能够捕捉复杂的非线性动力学，但存在域泛化受限和计算开销的问题。通过广泛分析，我们发现即使在以非线性运动为主的数据集中，卡尔曼滤波在最高多达34%的情况下仍优于数据驱动方法，表明实际跟踪场景本质上包含线性和非线性模式。为利用这种互补性，我们提出了PlugTrack，一种通过多感知运动理解实现卡尔曼滤波和数据驱动运动预测器自适应融合的新框架。我们的方案通过多感知运动分析生成自适应混合因子。PlugTrack在MOT17/MOT20上实现显著性能提升，并在DanceTrack上达到最佳水平，却无需修改现有运动预测器。据我们了解，PlugTrack是首个通过自适应融合桥接经典与现代运动预测范式的框架。
引用
@article{arxiv.2511.13105,
title = {PlugTrack: Multi-Perceptive Motion Analysis for Adaptive Fusion in Multi-Object Tracking},
author = {Seungjae Kim and SeungJoon Lee and MyeongAh Cho},
journal= {arXiv preprint arXiv:2511.13105},
year = {2025}
}
备注
AAAI 2026. Code: https://github.com/VisualScienceLab-KHU/PlugTrack