Tag · 3 篇
视觉语言跟踪
01 02 03
重思指代多目标跟踪中的两阶段“跟踪即指代”：让它重新强大
Rethinking Two-Stage Referring-by-Tracking in Referring Multi-Object Tracking: Make it Strong Again
对做视觉语言跟踪的人，这篇给出了一个可复用的两阶段范式：用采样式 Conditioning Hook 把语言线索注入检测特征，再用 Pairwise Correspondence Decoder 主动建模轨迹与表达的对应关系，替代 CLIP 相似度匹配，从而在低训练成本下达到最优性能。
基于单句自然语言描述的实例跟踪学习
Learning to Track Instance from Single Nature Language Description
提出动态词元聚合模块，通过锚框词元选择模板帧中的目标词元并与语言词元融合，为视觉语言跟踪提供了一种无需边界框标注的自监督训练范式，可复用于其他多模态时序任务。
超越显式语言：面向通用目标跟踪的即插即用视觉到语言建模
Beyond Explicit Language: Plug-and-Play Visual-to-Linguistic Modeling Toward General Object Tracking
提出一个即插即用的文本反转模块，将模板和搜索区域的视觉特征映射到CLIP文本嵌入空间，无需显式语言输入即可为跟踪器注入语言引导，可复用于其他视觉任务以隐式利用语言先验。