ARC-SORT набрал 81,82 HOTA на SportsMOT и работает на 50 fps

Команда авторов ARC-SORT представила трекер для многообъектного сопровождения в спортивных трансляциях. На тестовой выборке SportsMOT он набирает 81,82 HOTA и показывает наименьшее число смен идентификаторов среди 69 записей лидерборда на август 2026 года. Точность MOTA равна 97,09, это делённое третье место. На DanceTrack результат составляет 62,1 HOTA, причём настройки ассоциации те же. Скорость — около 50 кадров в секунду на ноутбучной RTX 3060. Сам трекер ничего не обучает, а код авторы обещают выложить.

Трекер, который знает, насколько он не уверен

Задача знакома всем, кто разбирал футбольные или баскетбольные записи. Игроки ускоряются и разворачиваются за доли секунды, а камера в это время панорамирует и меняет масштаб. Классический tracking-by-detection предсказывает положение каждого трека фильтром Калмана, а затем сопоставляет предсказание с детекциями. Когда движение непредсказуемо, предсказание плывёт, и сопоставление ломается.

В ARC-SORT используется фильтр Калмана с несколькими взаимодействующими моделями движения (IMM). Он даёт для каждого трека ковариацию предсказания. Эту ковариацию авторы превращают в индивидуальную область поиска: чем менее надёжен прогноз, тем шире зона, где детекция может быть сопоставлена с треком. Метод назван uncertainty-adaptive Expansion IoU (EIoU).

Важная деталь из абляций: работает именно непрерывная связь. Та же ковариация в роли жёсткого махаланобисова гейта ухудшала результат при каждом проверенном пороге. Более богатые статистики ковариации ничего измеримого не добавили.

Пересечения и уход из кадра

Когда два трека пересекаются, ошибка идентификаторов наиболее вероятна. В ARC-SORT сама стоимость назначения показывает, было ли решение близким. Такие пары остаются под наблюдением. Когда после пересечения накапливаются данные о внешности, трекер может выполнить не более одной корректирующей перестановки идентификаторов, если первое решение оказалось ошибочным. Это даёт +1,0 HOTA на тестах SportsMOT и DanceTrack при затратах менее миллисекунды на кадр.

Отдельный случай — игрок, который на несколько секунд покидает кадр. Экстраполяция движения за это время бесполезна. Поэтому офлайн-реидентификация убирает привычный моторный гейт и склеивает треклеты только по внешнему виду.

Цифры

• SportsMOT test: 81,82 HOTA, наименьшее число смен ID среди 69 записей (на август 2026), MOTA 97,09 (делит третье место).
• DanceTrack test: 62,1 HOTA с теми же параметрами ассоциации.
• На публичных детекциях и эмбеддингах Deep-EIoU: 80,31 HOTA, это +3,1 к Deep-EIoU.
• Коррекция перестановок идентификаторов: +1,0 HOTA на обоих датасетах, менее 1 мс на кадр.
• Скорость: около 50 кадров в секунду на ноутбучной RTX 3060.

Где это пригодится на практике

Сравнение на идентичных входах Deep-EIoU убирает главный вопрос к трекерам: чья заслуга, детектора или логики ассоциации. Здесь прирост +3,1 HOTA получен только за счёт логики. Для тех, кто строит спортивную аналитику, это означает возможность заменить модуль ассоциации, не трогая детектор и эмбеддинги. Скорость в 50 fps на ноутбучной видеокарте оставляет запас для обработки в реальном времени, например для live-статистики. Вместе с тем часть результата (реидентификация) выполняется офлайн, то есть после обработки фрагмента. Ограничения тоже стоит учитывать: пока код не опубликован, воспроизвести цифры нельзя, а результаты на DanceTrack заметно ниже, чем на SportsMOT. Практический вывод для инженеров: неопределённость фильтра полезнее использовать для расширения зоны поиска, чем для жёсткого отсечения кандидатов.