A new multi-object tracking algorithm based on Sparse Detection Transformer

doi:10.1016/j.engappai.2025.112666

A new multi-object tracking algorithm based on Sparse Detection Transformer

2025-10-22

0

PRE

AI

DOI：10.1016/j.engappai.2025.112666

原文链接

原文求助

摘要

En 中文

多目标跟踪（MOT）对于智能监控和自动驾驶至关重要。然而，现有的基于Transformer的方法由于计算复杂度高，常常面临准确率与效率的权衡，限制了其实时应用能力。为解决这一问题，我们提出了SparseDeTrack（稀疏检测跟踪），一种基于跟踪-检测（TBD）范式的有效MOT框架。在检测阶段，我们采用具有30%令牌保留率的稀疏令牌Transformer，在有效降低计算成本的同时保留关键特征。在跟踪阶段，我们移除了重识别（ReID）模块，并通过直接预测边界框的宽高而非长宽比来增强扩展卡尔曼滤波器（EKF），从而提升了定位精度和非线性运动建模能力。此外，集成了ByteTrack（通过关联每个检测框实现多目标跟踪）用于二次关联，增强了遮挡下的鲁棒性。我们在MOTChallenge 17（MOT17）、MOTChallenge 20（MOT20）和DanceTrack基准数据集上进行了大量实验。在MOT17测试集上，SparseDeTrack实现了75.4的多目标跟踪准确率（MOTA），相比Transformer-based方法如MOTR（基于Transformer的端到端多目标跟踪）、Trackformer（基于Transformer的多目标跟踪）和TransTrack（基于Transformer的多目标跟踪）分别高出2.0、1.3和0.2个百分点，同时达到了44.5帧每秒（FPS）的高推理速度，平衡了准确率与效率。在拥挤的MOT20上达到65.6 MOTA，在非线性运动的DanceTrack上达到89.1 MOTA，性能与当前最优方法相当。这些结果表明，SparseDeTrack能够在复杂场景下实现高精度跟踪和实时推理，为智能监控和自动驾驶的实际应用提供了有前景的解决方案。

A new multi-object tracking algorithm based on Sparse Detection Transformer

摘要

期刊

机构

引用论文