Vision-Motion-Reference Alignment for Referring Multi-Object Tracking via Multi-Modal Large Langu...

文章核心内容与创新点总结

一、主要内容

本文针对指代多目标跟踪（RMOT）任务中静态语言参考与动态视觉模态存在时间差异的问题，提出了一种名为VMRMOT的视觉-运动-参考对齐框架。该框架通过多模态大语言模型（MLLMs）引入运动模态，填补静态参考与动态视觉之间的鸿沟，提升跨模态跟踪性能。

核心背景

RMOT在传统多目标跟踪（MOT）基础上引入自然语言参考，实现以人为中心的指令驱动跟踪，但现有方法依赖静态参考描述（仅包含外观、相对位置和初始运动状态），无法捕捉物体速度变化、运动方向转换等动态行为，导致假阳性（FP）和假阴性（FN）问题，限制了跟踪性能。

框架结构

1. 运动特征提取：从物体历史轨迹中提取位置、运动方向、距离趋势和速度趋势四大关键线索，生成运动感知描述，再利用MLLMs（采用Qwen2.5-Omni-3B）的时序推理能力提取运动特征，形成运动模态。
2. 视觉-运动-参考对齐（VMRA）模块：通过分层跨注意力机制，将视觉查询与运动特征、参考特征依次对齐，增强跨模态一致性。
3. 运动引导预测头（MGPH）：融合运动模态与参考特征，优化目标类别预测、边界框回归和参考对齐置信度评估，提升轨迹预测的准确性和一致性。
4. 实验验证：在Refer-KITTI和Refer-KITTI-V2数据集上进行大量实验，VMRMOT在HOTA、DetA、AssA等核