TF-SASM: Training-free Spatial-aware Sparse Memory for Multi-object Tracking

计算机视觉中的多目标跟踪（MOT）仍然是一个重要的挑战，需要精确定位和持续跟踪视频序列中的多个目标。这项任务对于各种应用非常关键，包括动作识别和行为分析。主要挑战包括遮挡、重新识别、跟踪快速移动的物体以及处理相机运动伪影。过去的研究探索了基于检测的跟踪方法和端到端模型，近期关注点在于利用Transformer架构的基于注意力的跟踪方法。强调强大的重新识别能力的数据集的出现，例如DanceTrack，突显了需要有效的解决方案。虽然基于记忆的方法已经显示出希望，但它们经常遭受高计算复杂性和内存使用率的问题。我们提出了一种新颖的稀疏记忆方法，根据对象运动和重叠感知选择性地存储关键特征，旨在提高效率同时最小化冗余。在MOTRv2模型的基础上，这是一种基于注意力和基于检测的混合模型，我们引入了一种无需训练的记忆，旨在增强重新识别能力并保持模型的灵活性。我们的记忆方法在DanceTrack测试集上取得了显著的改进，表现为HOTA指标增加了1.1\%，IDF1分数增加了2.1\%。

多目标跟踪(MOT)在计算机视觉中仍然是一个重要的挑战，需要精确的定位和连续跟踪视频序列中的多个对象。本文旨在提出一种新的稀疏内存方法，通过基于对象运动和重叠意识选择性地存储关键特征，旨在提高效率，同时最小化冗余。

本文提出了一种新的稀疏内存方法，结合跟踪-注意和跟踪-检测的混合模型，旨在增强重新识别能力并保持模型的灵活性。

本文的亮点包括提出了一种新的稀疏内存方法，该方法通过选择性存储关键特征来提高效率和减少冗余；在DanceTrack测试集中，与MOTRv2相比，本方法取得了显著的改进；

最近在这个领域中，一些相关研究包括：Tracking by Detection Methods，End-to-End Models，Tracking-by-Attention Approaches，以及针对强健性重新识别的数据集，如DanceTrack。