MotionTrack：用于多目标跟踪的运动预测器学习

通过检测与重识别（ReID）技术的持续演进，多目标跟踪（Multi-Object Tracking, MOT）领域已取得显著进展。然而，在外观相似而运动模式异质的场景中实现精准跟踪仍面临挑战。这一难题主要源于两个方面：ReID特征的判别能力不足，以及当前MOT方法普遍依赖线性运动模型。针对上述问题，本文提出一种新型基于运动建模的跟踪器——MotionTrack，其核心是一个仅依赖目标轨迹信息的可学习运动预测器。该预测器通过融合运动特征的两个层次粒度，有效增强对时序动态特性的建模能力，并实现对单个目标未来运动的精确预测。具体而言，该方法采用自注意力机制捕捉轨迹片段级别的细粒度信息，同时引入动态MLP（Dynamic MLP）层建模通道级别的特征表示。MotionTrack是一种结构简洁、支持在线推理的跟踪方法。实验结果表明，该方法在Dancetrack和SportsMOT等具有高度复杂运动特性的数据集上均取得了当前最优的跟踪性能。