摘要

视觉目标跟踪是计算机视觉中的一个基本视频任务。近年来，感知算法的显著增强使得单目标/多目标以及基于框/掩码的跟踪得以统一。其中，Segment Anything Model（SAM）引起了广泛关注。在本报告中，我们提出了一种名为HQTrack的高质量视频跟踪框架。HQTrack主要由视频多目标分割器（VMOS）和掩码精炼器（MR）组成。给定视频初始帧中的待跟踪对象，VMOS将对象掩码传播到当前帧。由于VMOS是在几个闭集视频对象分割（VOS）数据集上训练的，其对复杂和边缘场景的泛化能力有限，因此这一阶段的掩码结果还不够准确。为了进一步提高跟踪掩码的质量，我们采用了预训练的MR模型来优化跟踪结果。作为对我们方法有效性的有力证明，在不使用测试时数据增强和模型集成等技巧的情况下，HQTrack在Visual Object Tracking and Segmentation（VOTS2023）挑战赛中排名第二。代码和模型可在https://github.com/jiawen-zhu/HQTrack 获取。