知识卡片：ARC-SORT——基于交互多模型的不确定性自适应多目标跟踪

一句话结论

ARC-SORT 是一个无需训练、可实时运行的跟踪-by-检测器：它用交互多模型（IMM）卡尔曼滤波为每条轨迹估计预测协方差，并把该协方差连续地转化为匹配搜索区域大小，在体育转播与舞蹈场景中取得有竞争力的 HOTA，且身份切换数最少。

事件概述或研究问题

体育转播中的多目标跟踪面临双重困难：运动员移动快、急转变向，同时摄像机持续平移与缩放。论文提出 ARC-SORT（Adaptive, Robust, Compensated SORT），核心设计原则是“跟踪器度量自身不确定性，并由该度量决定其行为”，即让不确定性估计直接驱动关联策略，而非依赖固定阈值或额外训练。

方法/产品要点

• 不确定性自适应搜索区域：IMM 卡尔曼滤波为每条轨迹给出预测协方差，协方差越大（运动预测越不可靠），允许检测匹配的搜索区域越大，通过不确定性自适应的 Expansion IoU（EIoU）实现连续耦合。
• 硬门控的对比证据：将同一协方差用作硬 Mahalanobis 门控，在所扫描的每个阈值上都造成性能下降；更丰富的协方差摘要也未带来可测量的增益——说明“连续耦合”本身是关键。
• 交叉后的纠错机制：两条轨迹交叉时，分配代价本身可反映决策是否接近；ARC-SORT 将这类配对置于复核状态，若交叉后的外观证据表明初始决策有误，至多执行一次身份交换纠正。该机制在 SportsMOT 与 DanceTrack 测试集上均带来 +1.0 HOTA，每帧开销低于 1 毫秒。
• 离线重识别：针对离开画面数秒的球员，运动外推不携带信息，因此离线重识别放弃常规运动门控，仅按外观连接轨迹片段。
• 无需训练、实时运行：不训练任何模型，在笔记本 RTX 3060 GPU 上约 50 FPS。

主要结果或产业意义

• SportsMOT 测试集：81.82 HOTA；截至 2026 年 8 月，在 69 个排行榜条目中身份切换数最少；MOTA 97.09，并列第三。
• DanceTrack 测试集：62.1 HOTA，使用相同的关联设置。
• 在 Deep-EIoU 的公开检测与嵌入上达到 80.31 HOTA，比 Deep-EIoU 高 3.1。
• 代码将发布（待核实具体发布时间与地址）。
• 产业意义：面向体育转播、舞蹈等快速运动与镜头运动并存场景，提供了一条不依赖重训练、可实时部署的跟踪增强路径；其“不确定性驱动行为”的设计思路对现有 SORT 类跟踪器具有可迁移性。

为什么重要

多数跟踪-by-检测器依赖手工设定的门控阈值与固定匹配策略，在剧烈运动与镜头运动叠加时容易失配。ARC-SORT 的增量在于：把滤波器的预测协方差从事后诊断量转变为关联过程的连续控制信号，并用实验说明硬门控与更复杂协方差摘要均不如这一简单耦合；同时以“分配代价即置信信号”的方式低成本地处理交叉导致的身份交换。与既有卡片（ViCo3D、MOT-SR、脑引导语言模型）主题不同，本条聚焦跟踪关联机制本身，未与它们重复同一事实。

局限与不确定性

• 论文摘要未给出 SportsMOT 与 DanceTrack 之外数据集的泛化结果，跨域表现待核实。
• 纠错机制限定“至多一次身份交换”，在密集交叉或长时间遮挡下的上限效应待核实。
• 排行榜比较基于 2026 年 8 月的 69 个条目，后续排名可能变化；MOTA 为并列第三，具体并列对象待核实。
• 代码尚未发布，复现细节（IMM 模型集、EIoU 具体形式、外观特征来源）以论文全文为准，待核实。
• 作者信息仅列出 Girish Kumar Adari，机构与实验环境细节待核实。

可用于图书/PPT/简报的角度

• “让跟踪器度量自己的不确定性”：从固定阈值到连续不确定性耦合的设计范式转变。
• 反直觉实验：同一协方差做硬门控在每个阈值上都更差——可用于讲解“软耦合优于硬门控”的方法论。
• 交叉纠错：用分配代价作为免费置信信号，至多一次交换、亚毫秒开销的轻量级设计。
• 体育转播场景的工程约束：不训练、50 FPS、身份切换最少，适合作为实时视觉系统案例。
• 与 SORT 家族（SORT、DeepSORT、Deep-EIoU）的演进脉络对照。

原始材料

• 标题：ARC-SORT: Adaptive, Robust, Compensated Multi-Object Tracking with Interacting Multiple Models
• 作者：Girish Kumar Adari
• arXiv ID：2610.22306v1（cs.CV），提交于 2026-10-15
• 摘要页：https://arxiv.org/abs/2610.22306v1
• PDF：https://arxiv.org/pdf/2610.22306v1
• 关键词：Multi-Object Tracking；Interacting Multiple Model (IMM)；Uncertainty-Adaptive Expansion IoU (EIoU)；SportsMOT；DanceTrack；HOTA