SCATR：通过第二机会分配和轨迹查询随机丢弃减轻LiDAR基于注意力跟踪中的新实例抑制
计算机视觉与模式识别
2026-03-03 v1
摘要
LiDAR 基于注意力的跟踪（TBA）框架本质上会 suffer于高假阴性错误率，导致其性能与传统 LiDAR 基于检测的跟踪（TBD）方法之间存在显著差距。本文引入 SCATR，一种新型 LiDAR 基于 TBA 模型，用于系统性地解决这一根本性挑战。SCATR 利用 vision-based tracking 最新进展，并针对 LiDAR 引入了针对性训练策略。本工作的核心创新是两种针对 TBA 方法的 architecture-agnostic 训练策略：第二机会分配（Second Chance Assignment）和轨迹查询随机丢弃（Track Query Dropout）。第二机会分配是一种新的地面实物分配方法，将未分配的轨迹查询拼接到 proposal 查询上，在两两匹配之前给这些查询提供第二次被分配到地面实物对象的机会，从而有效缓解了跟踪注意力方法中检测与跟踪任务之间的冲突。轨迹查询随机丢弃是一种训练方法，通过多样化受监督的对象查询配置来有效训练解码器处理不同的轨迹查询集，增强其对缺失或新生轨迹的鲁棒性。在 nuScenes 跟踪基准测试中进行实验，表明 SCATR 在 LiDAR 基于 TBA 方法中实现了状态最佳性能，超越了前作 7.6% AMOTA，成功弥合了 LiDAR 基于 TBA 与 TBD 方法之间长期存在的性能差距。消融研究进一步验证了第二机会分配和轨迹查询随机丢弃的有效性与通用性。代码可在 following link 查看：https://github.com/TRAILab/SCATR。
引用
@article{arxiv.2603.01485,
title = {SCATR: Mitigating New Instance Suppression in LiDAR-based Tracking-by-Attention via Second Chance Assignment and Track Query Dropout},
author = {Brian Cheong and Letian Wang and Sandro Papais and Steven L. Waslander},
journal= {arXiv preprint arXiv:2603.01485},
year = {2026}
}