摘要

许多最先进的多目标跟踪（Multiple Object Tracking, MOT）方法采用提取并匹配重识别（Re-Identification, ReID）特征的技术，尤其在应对频繁且长时间的遮挡时表现出色。尽管近年来研究主要聚焦于端到端的目标检测与跟踪方法，但在MOT17和MOT20等基准测试中，这些方法尚未超越传统分离式检测与嵌入（embedding）的范式。因此，从实际应用角度出发，采用独立检测与特征嵌入的方案仍是实现高精度、模块化以及易于实现的最优选择。然而，这类方法因特征提取带来的计算开销较大，难以在边缘设备上高效部署。本文提出一种选择性策略，旨在在保持精度、模块化与实现简便性的前提下，显著降低特征提取的计算负担。该方法可灵活集成至多种先进的SOTA跟踪框架中。我们通过将其应用于StrongSORT与Deep OC-SORT，验证了该机制的有效性。在MOT17、MOT20以及DanceTrack数据集上的实验结果表明，所提方法在遮挡场景下仍能有效保留特征提取的优势，同时大幅减少运行时间。此外，该机制通过减少特征匹配阶段的混淆，进一步提升了跟踪精度，尤其在处理形变与外观相似性较高的情况（如DanceTrack中常见的情形）时表现突出。项目代码已开源：https://github.com/emirhanbayar/Fast-StrongSORThttps://github.com/emirhanbayar/Fast-Deep-OC-SORT