SelfMOTR：基于自生成检测先验重新审视MOTR
计算机视觉与模式识别
2026-03-24 v2
摘要
端到端变换器架构通过统一检测和关联为多目标跟踪取得了显著进展。尽管如此，检测性能不佳以及联合架构中检测与关联之间的内在冲突仍是关键关注点。最近的研究方法通过采用先进的去噪或标签分配策略，或纳入来自外部目标检测器的检测先验来缓解这些问题。本文提出SelfMOTR，这是一个简单却高度有效的无检测器替代方案，通过自生成的内部检测先验将提案发现与关联解耦。通过大量分析和消融研究，我们表明，具有联合检测-关联解码的端到端变换器跟踪器仍保留大量隐藏的检测容量，我们提供了一种实用的无检测器机制来利用这一能力。为阐明这些联合解码动态，我们借鉴大型语言模型中的注意力沉积分析，利用Track Attention Mass显示标准通用查询 exhibits注意力不平衡，频繁地难以对track context与新对象发现进行加权。SelfMOTR在复杂动态环境中实现了高度具竞争力的性能，在DanceTrack数据集上实现69.2 HOTA，在鸟群跟踪（BFT）数据集上领先，达到71.1 HOTA。项目页面：https://medem23.github.io/SM
引用
@article{arxiv.2511.20279,
title = {SelfMOTR: Revisiting MOTR with Self-Generating Detection Priors},
author = {Fabian Gülhan and Emil Mededovic and Yuli Wu and Johannes Stegmaier},
journal= {arXiv preprint arXiv:2511.20279},
year = {2026}
}
备注
18 pages, 7 figures, 7 tables