TAO-Amodal：一个用于非模态任意目标跟踪的基准

非模态感知，即从部分可见性中理解完整物体结构的能力，是一项基本技能，即使对婴儿也是如此。其重要性延伸至自动驾驶等应用，在这些应用中，对严重被遮挡物体的清晰理解至关重要。然而，现代检测和跟踪算法通常忽略了这一关键能力，这可能是由于大多数基准测试中普遍存在模态标注。为了解决非模态基准测试稀缺的问题，我们引入了 TAO-Amodal，其包含数千个视频序列中的 833 个多样化类别。我们的数据集包括可见以及部分或完全被遮挡物体（包括部分超出相机视野的物体）的非模态和模态边界框。我们通过对最先进的模态跟踪器和非模态分割方法进行基准测试，研究了非模态跟踪和检测领域的当前现状。我们发现，现有方法即使经过适配用于非模态跟踪，在严重遮挡下仍难以检测和跟踪物体。为缓解此问题，我们探索了简单的微调方案，可将被遮挡物体的非模态跟踪和检测指标分别提高 2.1% 和 3.3%。