SportMamba：面向团队运动的自适应非线性多目标跟踪——基于状态空间模型
计算机视觉与模式识别
2025-06-05 v1
摘要
团队运动中的多目标跟踪（MOT）极具挑战性，由于快速运动和频繁遮挡分别导致运动模糊和身份切换。在此类场景中预测球员位置尤为困难，因为观察到的运动模式高度非线性。当前方法严重依赖目标检测和基于外观的跟踪，这在复杂的团队运动场景中难以胜任，因为外观线索模糊且运动模式不一定遵循线性模式。为应对这些挑战，我们引入了 SportMamba，一种专门设计用于动态团队运动的自适应混合 MOT 技术。SportMamba 的技术贡献 twofold。首先，我们引入了一种 mamba 注意力机制，通过隐式聚焦相关嵌入依赖来建模非线性运动。其次，我们提出了一种高度自适应空间关联度量，通过考虑深度变化引起的尺度变化来减少由部分遮挡导致的身份切换。此外，我们通过自适应缓冲区扩展了检测搜索空间，以改善快速运动场景中的关联。我们提出的 SportMamba 技术在 SportsMOT 数据集上展示了最先进的性能，该数据集以复杂运动和严重遮挡为特征。此外，我们通过零样本迁移到 VIP-HTD（冰球数据集）展示了其泛化能力。
引用
@article{arxiv.2506.03335,
title = {SportMamba: Adaptive Non-Linear Multi-Object Tracking with State Space Models for Team Sports},
author = {Dheeraj Khanna and Jerrin Bright and Yuhao Chen and John S. Zelek},
journal= {arXiv preprint arXiv:2506.03335},
year = {2025}
}
备注
Paper accepted at CVSports IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW'25). The paper has 8 pages, including 6 Figures and 5 Tables