TrackNetV5：面向快速目标跟踪的残差驱动时空细化与运动方向解耦
计算机视觉与模式识别
2026-01-14 v4
摘要
TrackNet 系列已在体育赛场中对快速移动的小目标跟踪任务中建立了强大的基线。然而，现有版本存在显著局限：V1-V3 因仅依赖视觉线索在遮挡场景中表现不足，而 TrackNetV4 虽引入运动输入，却因绝对差分方法丢弃运动极性导致方向歧义问题。为克服这些瓶颈，我们提出 TrackNetV5，一种集成两种新型机制的鲁棒架构。首先，为恢复丢失的方向先验，我们引入运动方向解耦（MDD）模块。不同于 V4，MDD 将时序动态分解为带符号极性场，显式编码运动发生与轨迹方向。其次，我们提出残差驱动时空细化（R-STR）头部。该基于 Transformer 的模块遵循粗到细范式，利用分解时空语境估计纠正残差，有效恢复被遮挡目标。大量实验表明，TrackNetV5 在 TrackNetV2 数据集上实现了 0.9859 的新纪录 F1 分数和 0.9733 的准确率，显著超越前任版本。值得注意的是，这一性能飞跃仅需增加 3.7% 的 FLOPs，即可在保持实时推理能力的同时交付更高的跟踪精度。
引用
@article{arxiv.2512.02789,
title = {TrackNetV5: Residual-Driven Spatio-Temporal Refinement and Motion Direction Decoupling for Fast Object Tracking},
author = {Haonan Tang and Yanjun Chen and Lezhi Jiang and Qianfei Li and Xinyu Guo},
journal= {arXiv preprint arXiv:2512.02789},
year = {2026}
}