摘要

当前的多类别多目标跟踪（Multi-category Multiple Object Tracking, MOT）评估指标通常依赖类别标签对跟踪结果进行分组，以实现按类别的独立评估。类似地，大多数MOT方法也仅在相同类别预测之间进行目标关联。这两种在MOT领域普遍采用的策略，隐含地假设分类性能接近完美。然而，在近年来出现的大规模MOT数据集中，这一假设远不成立——这些数据集包含大量类别，其中不乏稀有类别或语义相近的类别。因此，分类结果的不准确性导致跟踪性能下降，并使得跟踪器的基准评估变得不充分。为解决上述问题，我们提出将分类与跟踪任务解耦。为此，我们引入了一种新的评估指标——“万物跟踪准确率”（Track Every Thing Accuracy, TETA），该指标将跟踪性能的度量分解为三个子因素：定位（localization）、关联（association）和分类（classification），从而能够在分类不准确的情况下仍实现对跟踪性能的全面评估。此外，TETA还能有效应对大规模跟踪数据集中普遍存在的标注不完整问题。为进一步支持该评估框架，我们提出了一个名为“万物跟踪器”（Track Every Thing tracker, TETer）的新跟踪方法，其通过类原型匹配（Class Exemplar Matching, CEM）实现目标关联。实验结果表明，TETA能够更全面地评估跟踪器性能，而TETer在具有挑战性的大规模数据集BDD100K和TAO上，相较于当前最先进方法取得了显著提升。