UniTrack：面向多目标跟踪的可微图表示学习
计算机视觉与模式识别
2026-02-06 v1
摘要
我们提出UniTrack，一个即插即用的数据驱动图损失函数，旨在通过统一的可微学习显著提升多目标跟踪（MOT）性能，直接优化跟踪特定目标。与先前基于图的MOT方法不同，UniTrack提供了一个通用的训练目标，将检测精度、身份保持和时空一致性整合为单个可端到端训练的损失函数，使其能够无需架构修改地无缝集成到现有MOT系统中。通过可微图表示学习，UniTrack使网络能够学习运动连续性和跨帧身份关系的整体表示。我们在多样化的跟踪模型和多个具有挑战性的基准上验证了UniTrack，证明了在所有测试的架构和数据集（包括Trackformer、MOTR、FairMOT、ByteTrack、GTR和MOTE）上都能实现一致的改进。广泛的评估显示，在具有挑战性的基准上，身份切换减少最高可达53%，IDF1提升12%，GTR在SportsMOT上实现峰值性能提升9.7%的MOTA。
引用
@article{arxiv.2602.05037,
title = {UniTrack: Differentiable Graph Representation Learning for Multi-Object Tracking},
author = {Bishoy Galoaa and Xiangyu Bai and Utsav Nandi and Sai Siddhartha Vivek Dhir Rangoju and Somaieh Amraee and Sarah Ostadabbas},
journal= {arXiv preprint arXiv:2602.05037},
year = {2026}
}