在真实场景中穿越容器与遮挡物进行跟踪

在杂乱且动态环境中持久跟踪物体仍是计算机视觉系统的难题。本文中，我们介绍 $\textbf{TCOW}$，一种用于重度遮挡与包含情形下视觉跟踪的新基准与模型。我们设定一项任务：给定视频序列，分割目标物体的投影范围，以及当存在时 surrounding 容器或遮挡物的范围。为研究该任务，我们创建了合成与标注真实数据的混合数据集，以支持在各种任务变化形式（如移动或嵌套包含）下的监督学习与模型性能结构化评估。我们评估了两个近期基于 transformer 的视频模型，发现尽管在某些任务变化设置下它们能惊人地跟踪目标，但在宣称跟踪模型已获得真正物体恒存性概念前仍存在显著性能差距。