オブジェクト追跡（OT）は、動画シーケンスにおけるターゲットオブジェクトの位置を推定することを目的としている。ターゲットオブジェクトの初期状態が最初のフレームにおけるアノテーションによって指定されるか、それともカテゴリによって指定されるかに応じて、OTはインスタンス追跡（例：SOT、VOS）とカテゴリ追跡（例：MOT、MOTS、VIS）の2つのタスクに分類される。両コミュニティで開発された最良の実践法の利点を統合し、本研究では新たな「検出付き追跡（tracking-with-detection）」パラダイムを提案する。このパラダイムでは、追跡が検出に外見的な事前知識（appearance priors）を提供し、検出が追跡に関連付け用の候補バウンディングボックスを供給する。このような設計を採用することで、統一された追跡モデルであるOmniTrackerが開発され、すべての追跡タスクを完全に共有されたネットワークアーキテクチャ、モデル重み、および推論パイプラインで処理できる。LaSOT、TrackingNet、DAVIS16-17、MOT17、MOTS20、YTVIS19を含む7つの追跡データセットにおける広範な実験結果から、OmniTrackerが、タスク固有モデルおよび統一型追跡モデルと比較して同等、あるいはさらに優れた性能を達成することが示された。