点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院公众号ID计算机视觉研究院学习群扫码在主页获取加入方式https://pmc.ncbi.nlm.nih.gov/articles/PMC12112576/pdf/jimaging-11-00144.pdf计算机视觉研究院专栏Column of Computer Vision Institute本文提出的MPMOT基于运动感知的多目标跟踪框架用 “运动感知” 破解跟踪痛点在三大权威数据集上全面超越 SOTA还能保持实时运行PART/1痛点传统跟踪的三大痛点MPMOT 一次性解决目前主流多目标跟踪普遍存在三个致命问题过度依赖外观遮挡、模糊、相似目标场景外观特征失效身份乱跳卡尔曼滤波太死板固定噪声假设对低置信度检测不敏感预测飘移轨迹易断裂长时间遮挡后 tracklet 无法重连完整性差MPMOT 没有堆复杂模型而是聚焦运动信息用三个轻量模块从预测、关联、补全三个环节全面升级跟踪 pipeline。PART/2核心设计MPMOT 核心设计三大模块层层强化MPMOT 基于 FairMOT 基线改进整体架构如下图所示全程端到端、实时推理。1. 增益卡尔曼滤波 GKF让运动预测更稳传统卡尔曼滤波用固定观测噪声不管检测置信度高低一律同等对待。MPMOT 提出GKF根据检测置信度动态调整观测噪声协方差置信度高信任检测置信度低降低检测权重更依赖预测比 NSA-KF 更稳定比普通 KF 更抗遮挡、抗模糊2. 自适应代价矩阵 ACM让数据关联更准数据关联是身份保持的关键传统方法固定融合外观与运动不够灵活。MPMOT 设计ACM动态融合马氏距离运动 余弦距离外观 IoU根据遮挡、检测质量自动调整权重优先信任运动信息用匈牙利算法完成最优匹配大幅减少身份切换3. 全局连接模型 GCM让轨迹更完整遮挡会把一条轨迹切成多段GCM 就是轨迹 “缝合器”用时空卷积提取 tracklet 特征学习时空一致性把断裂轨迹重新连接不依赖 heavy 图优化轻量高效专治长时遮挡PART/3效果效果碾压三大数据集全面领先 SOTAMPMOT 在 MOT16、MOT17、MOT20 三大权威基准测试结果如下1. MOT16 结果IDF172.8%超越 FairMOT 1.1%MOTA72.2%FPS22.5实时可用2. MOT17 结果IDF172.6%超越 FairMOT 1.3%身份切换 IDs 大幅减少速度 22.6 FPS保持实时3. MOT20 结果MOT20 是极拥挤、强遮挡场景MPMOT 优势更明显IDF170.2%全场第一MOTA64.5%IDs2132显著低于 ByteTrack、OC-SORT4. 统计显著性验证所有 p 值 0.05证明 MPMOT 的提升不是偶然是统计显著。PART/4实验在 MOT17 上做模块消融清晰看到只加 GKFMOTA、IDF1 上升IDs 下降再加 ACM身份保持大幅提升最后加 GCM轨迹最完整IDs 降到最低全程速度仅小幅下降精度与效率完美平衡同时对比不同卡尔曼滤波、不同代价矩阵GKF 与 ACM 均为最优选择。PART/5可视化效果可视化效果遮挡、拥挤、高速都能稳跟原文给出直观对比快速运动、相机抖动场景FairMOT 跟丢MPMOT 稳定保持 ID密集人群、严重遮挡场景FairMOT 频繁身份切换MPMOT 全程 ID 一致MPMOT 在多样场景下的跟踪效果轨迹连贯、ID 稳定。PART/6总结核心亮点运动优先弱化外观依赖强抗遮挡、抗模糊三模块轻量GKFACMGCM精度涨点速度不掉全域领先MOT16/17/20 全面超越 SOTA统计显著实时可用最高 22.6 FPS工业落地友好局限与未来仍受低质量检测影响极端暗光、恶劣天气待优化未来将轻量化、边缘部署、拓展自动驾驶 / 航拍场景一句话总结MPMOT 用运动感知重新定义多目标跟踪在复杂真实场景中更稳、更准、更连贯是下一代跟踪算法的重要方向有相关需求的你可以联系我们END转载请联系本公众号获得授权计算机视觉研究院学习群等你加入ABOUT计算机视觉研究院计算机视觉研究院主要涉及深度学习领域主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架提供论文一键下载并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程让大家真正体会摆脱理论的真实场景培养爱动手编程爱动脑思考的习惯往期推荐YOLO-TLA一种基于 YOLOv5 的高效轻量级小目标检测模型ViT-YOLO基于Transformer的用于目标检测的YOLO算法SSMA-YOLO一种轻量级的 YOLO 模型具备增强的特征提取与融合能力适用于无人机航拍的船舶图像检测LUD-YOLO一种用于无人机的新型轻量级目标检测网络Gold-YOLO基于聚合与分配机制的高效目标检测器Drone-YOLO一种有效的无人机图像目标检测「无人机AI」“空中城管”无人机AI光伏巡检自动化解决方案无人机视角下多类别船舶检测及数量统计机场项目解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题2PCNet昼夜无监督域自适应目标检测附原代码YOLO-S小目标检测的轻量级、精确的类YOLO网络大改Yolo框架 | 能源消耗极低的目标检测新框架附论文下载改进的检测算法用于高分辨率光学遥感图像目标检测