基于几何图时空卷积网络的多目标跟踪算法GGSTrack：密集场景与复杂遮挡下的鲁棒性突破

本文提出了一种创新的多目标跟踪(MOT)算法GGSTrack，通过几何图卷积网络(GGCN)实现密集场景稀疏化建模，结合时空卷积网络(TCN)构建四阶段级联匹配框架，有效解决了目标遮挡、身份切换和运动模糊等关键挑战。实验表明该方法在MOT16/17/20和DanceTrack数据集上达到SOTA性能，特别适用于社交计算等实际应用场景。

　　

Highlight

本研究针对多目标跟踪(MOT)领域两大核心挑战——密集场景中的严重遮挡/目标相似性问题与运动模糊现象，创新性地提出GGSTrack算法。该算法通过几何图卷积网络(GGCN)将视频帧转化为无向图，优化节点聚合机制增强目标特征表达；同时引入过去^N帧输入，使用时序卷积网络(TCN)捕捉运动演化规律，显著提升跟踪鲁棒性。

Method

为解决传统算法忽视目标运动时空连续性的缺陷，我们构建了包含空间编码(几何图卷积)与时间编码(TCN)的联合建模框架。独创的四阶段级联匹配系统包含：初始过滤→不确定目标匹配→低分处理→遮挡处理模块，在保证精度的同时实现计算效率优化。

Datasets

在MOT Challenge系列基准测试(MOT16/17/20)和DanceTrack专项数据集上，采用"私有检测"协议进行评估。其中MOT16作为基础基准提供7,500+帧标注数据，而DanceTrack专门针对高密度舞蹈场景设计，包含100+视频序列。

Conclusion

GGSTrack通过图模型实现密集场景稀疏化，其时空编码器融合GGCN与TCN优势，为目标准确关联提供可靠特征支持。实验验证该框架在复杂场景下的优越性，未来可扩展至医疗影像分析等领域。

（注：根据要求已去除文献引用标识，专业术语保留英文缩写并采用标注上标，未使用任何HTML/SVG标签）