StableTrack：面向低频检测的多目标跟踪稳定化
计算机视觉与模式识别
2025-11-26 v1 人工智能
机器学习
摘要
多目标跟踪 (MOT) 是计算机视觉中最具挑战性的任务之一，关键在于正确检测目标并在帧之间完成关联。在当前方法主要聚焦于视频流中每帧的跟踪，因此在计算资源有限的条件下几乎不可能运行模型。为此，我们提出 StableTrack，一种稳定低频检测跟踪质量的新方法。我们引入新的两阶段匹配策略，以提高低频检测之间的跨帧关联。我们提出了一种基于边界框的距离度量，取代常用的马氏距离，这使我们能够有效地利用 Re-ID 模型进行对象匹配。此外，我们将视觉跟踪集成到卡尔曼滤波器和整体跟踪管道中。我们的方法在低频检测情况下显著优于当前最先进的跟踪器，在 MOT17-val 上以 1 Hz 实现约 11.6% 的 HOTA 提升，同时在标准 MOT17、MOT20 和 DanceTrack 基准测试中使用全频检测时与最佳方法持平。
引用
@article{arxiv.2511.20418,
title = {StableTrack: Stabilizing Multi-Object Tracking on Low-Frequency Detections},
author = {Matvei Shelukhan and Timur Mamedov and Karina Kvanchiani},
journal= {arXiv preprint arXiv:2511.20418},
year = {2025}
}