LLMTrack

新的基准和MLLM框架推动了语义多目标跟踪

研究人员推出了 Grand-SMOT，这是一个大型基准，旨在推动语义多目标跟踪 (SMOT) 超越几何定位，实现全面的视频理解。这个新数据集旨在通过将微观个体动态与宏观环境背景分离来克服现有范式的局限性。为了促进这一转变，该论文还提出了 LLMTrack，这是一个统一的框架，利用多模态大型语言模型 (MLLM) 进行动态 SMOT，采用“宏观理解优先”机制来抑制时间幻觉并取得最先进的成果。