多物件追蹤

多物件追蹤（MOT）同時跟隨許多目標，且至關重要地為每個目標指派一個貫穿整段影片、持續不變的身分（ID），即便物體進場、離場、彼此交錯、躲到對方後面也是如此。輸出不只是每格的框，而是一組軌跡：「7 號人」從第 1 格到第 900 格都是同一個人。在遮擋與雜亂中維持 ID 穩定，正是讓 MOT 真正困難之處，遠超過「在每格偵測物體」本身。

主流範式是「以偵測為基礎的追蹤」（tracking-by-detection）：在每一格上執行物件偵測器，再做資料關聯（data association）把新偵測連結到既有軌跡。關聯為每一個「偵測—軌跡」配對打分，依據運動一致性（偵測是否落在卡爾曼濾波器預測之處？）與外觀相似度（是否匹配該軌跡學到的嵌入向量？），再用匈牙利演算法（Hungarian algorithm）最佳地求解全域指派。這條脈絡很有啟發性：SORT 只用 IoU ＋卡爾曼＋匈牙利，極為快速；DeepSORT 加入深度重識別（re-identification）嵌入，使 ID 能撐過短暫遮擋；ByteTrack 的洞見是「連低信心偵測也拿來關聯」（這些往往是部分被遮擋的物體）而非丟棄，大幅減少跟丟。端到端的 Transformer 追蹤器（TrackFormer、MOTR）以「軌跡查詢」（track query）把偵測與關聯摺進單一網路。

評估本身自成一門學問，因為有兩種失效模式要權衡：偵測誤差（漏檢、誤檢）與關聯誤差（ID 互換，即兩條軌跡交換標籤，以及軌跡斷裂）。MOTA 偏重偵測，IDF1 偏重身分維持，而現代的 HOTA 指標則明確地把偵測準確度與關聯準確度拆解並加以平衡。標準基準是 MOTChallenge（MOT16／17／20，人群中的行人），以及駕駛場景的 KITTI／BDD100K。反覆出現的大敵是擁擠場景、長時間遮擋，以及視覺上完全相同的目標（一群穿著相似的人）。