2025目标检测+跟踪，涨点高效超精准，投稿顶会好上车！

计算机sci论文精选

1670人浏览 · 2025-07-23 09:44:26

计算机sci论文精选 · 2025-07-23 09:44:26 发布

关注gongzhonghao【CVPR顶会精选】！拿捏更多CVPR发文资讯！

目标检测与跟踪作为计算机视觉的核心任务，旨在从图像/视频中定位特定目标并持续追踪其运动轨迹。随着深度学习技术的突破，检测框架从传统特征提取演进为R-CNN、YOLO等高效模型，跟踪算法则融合卡尔曼滤波与Siamese网络，显著提升精度与实时性。当前研究聚焦于复杂场景适应性、多模态数据融合及轻量化部署。

该技术在自动驾驶感知、智能安防、无人机导航等领域具广泛应用前景，推动机器视觉系统向更高智能化演进。今天小图精选3篇CVPR论文目标检测与跟踪方向的论文，请注意查收！

论文一：LLMDet: Learning Strong Open-Vocabulary Object Detectors under theSupervision of Large Language Models

方法：

首先利用Qwen2-VL-72B为已有检测、定位和图文数据生成高质量整图级描述，经去幻觉过滤后形成GroundingCap-1M；随后以MM-Grounding-DINO为基线，固定视觉骨干，训练轻量投影器将多尺度特征与大语言模型对齐；最后在统一损失（框回归+区域短语+整图描述）下联合微调检测器、投影器与大语言模型，推理时仅保留检测器，零样本迁移在LVIS、ODinW等多基准刷新SOTA。

创新点：

构建首份含1120K样本的GroundingCap-1M 数据集，将区域框-短语对齐与整图级115词详细描述捆绑，填补现有数据空白。
设计“区域级短文本+整图级长文本”双任务联合训练框架，使检测器在保持框回归精度的同时吸收大模型语义知识。
提出“先对齐后协同”的两阶段训练流程：先训练投影器将视觉特征映射到大语言模型空间，再端到端微调检测器与大语言模型，实现双向增益。

论文链接：

https://arxiv.org/pdf/2501.18954

论文二：SOLAMI: Social Vision-Language-Action Modelingfor Immersive Interaction with 3D Autonomous Characters

方法：

系统首先用VQ-VAE分别量化SMPL-X身体、手部及相对变换动作，再用SpeechTokenizer提取语义语音token，配合角色人设形成多轮对话模板；继而在46K动作-文本与410K语音-文本对上预训练LLM对齐三模态，随后在5.7K合成对话指令微调；推理时前端VR采集用户数据，后端一次前向同时输出动作token与语音token，经 SoundStorm与运动解码器实时驱动3D角色完成社交互动。

创新点：

设计首个端到端Social VLA架构，把用户语音和动作统一成离散token，与文本一起送入解码式LLM，直接同步生成角色语音与全身动作。
构建SynMSI合成数据集，利用现有文本-动作语料与GPT-4o剧本迭代，仅自动生产6.3K多轮多模态对话即可达到媲美真实采集的效果。
推出轻量VR交互系统，Quest3实时捕获用户语音和全身骨骼，后端双H800GPU以2.6秒端到端延迟驱动3D角色，实现低延迟沉浸式对话。

论文链接：

https://arxiv.org/pdf/2412.00174

论文三：EdgeTAM: On-Device Track Anything Model

方法：

文章先用RepViT-M1等轻量主干替换 Hiera，把 Memory Attention块从4减至2以削参数。然后在每帧记忆特征进入注意力前插入2D Spatial Perceiver，用256个全局查询与256个非重叠局部查询分别压缩并保持空间结构，复杂度从O(TCH²W²) 降至O(TCHW(Ng+Nl))。最后以SAM 2-HieraB+为教师，在SA-1B图像阶段对F16做MSE 蒸馏，在SA-V视频阶段再对记忆注意力输出加 MSE，全程配合任务损失端到端训练，即可在移动SoC上实时完成任意提示的视频分割与追踪。

创新点：

发现SAM 2的新瓶颈——Memory Attention 而非图像编码器，并设计2D Spatial Perceiver用全局+局部可学习查询压缩时空记忆，实现8×计算削减。
提出面向视频的跨阶段知识蒸馏流程，在图像与视频训练两阶段同时约束图像编码器和记忆模块特征，零推理开销再涨1.3-3.3J&F。
构建EdgeTAM统一框架，兼容任意SAM2变体，首次在iPhone15 ProMax上达成16FPS，速度比SAM2提升22倍且精度不降。