摘要

感知建模的进展显著提升了目标跟踪的性能。然而，当前在初始帧中指定目标对象的方法主要依赖于两种方式：一是使用框或掩码模板，二是提供显式的语言描述。这两种方式均较为繁琐，且无法使跟踪器具备自主推理能力。为此，本文提出了一种全新的跟踪任务——指令跟踪（Instruction Tracking），即通过隐式指令来引导跟踪过程，要求跟踪器能够自动在视频帧中完成目标追踪。为实现这一目标，我们探索了将大型视觉-语言模型（Large Vision-Language Model, LVLM）所具备的知识与推理能力融入目标跟踪任务中的可行性。具体而言，本文提出了一种名为 TrackGPT 的跟踪框架，该框架能够执行基于复杂推理的跟踪任务。TrackGPT 首先利用 LVLM 理解跟踪指令，并将目标相关的语义线索压缩为指向性嵌入（referring embeddings）。随后，感知模块基于这些嵌入生成最终的跟踪结果。为评估 TrackGPT 的性能，我们构建了一个名为 InsTrack 的指令跟踪基准数据集，包含超过一千对指令-视频样本，用于指令微调与评估。实验结果表明，TrackGPT 在多个指代视频目标分割（referring video object segmentation）基准上取得了具有竞争力的性能，例如在 Refer-DAVIS 数据集上达到了 66.5 $\mathcal{J}\&\mathcal{F}$ 的新最优成绩。此外，在新的评估协议下，TrackGPT 在指令跟踪任务中也展现出显著优越的性能。相关代码与模型已公开，可访问：https://github.com/jiawen-zhu/TrackGPT。