摘要

目标跟踪（Object Tracking, OT）旨在估计视频序列中目标物体的位置。根据是否在首帧通过标注指定目标物体的初始状态或类别，目标跟踪任务可分为实例级跟踪（如单目标跟踪SOT、视频对象分割VOS）和类别级跟踪（如多目标跟踪MOT、多目标实例分割MOTS以及视频实例分割VIS）两类。为融合两个研究领域中的最佳实践，本文提出一种新型的“检测-跟踪”协同范式：跟踪模块为检测提供外观先验信息，而检测模块则为跟踪提供用于关联的候选边界框。基于这一设计，我们进一步提出一个统一的跟踪模型——OmniTracker，该模型采用完全共享的网络架构、模型权重与推理流程，可统一处理所有类型的跟踪任务。在包括LaSOT、TrackingNet、DAVIS16-17、MOT17、MOTS20和YTVIS19在内的7个主流跟踪数据集上进行的大量实验表明，OmniTracker在性能上达到甚至超越了现有专用模型与统一模型的水平，展现出卓越的泛化能力与鲁棒性。