← 回作品
Refer-MOT
一般的多目標追蹤只看畫面：偵測、跨影格關聯、維持 ID。Refer-MOT 要追的是「用一句話描述的那個目標」，所以得讓追蹤器讀懂語言。
+53.5%
Refer-KITTI HOTA 提升
架構圖 / 系統示意（放你的圖）
問題
純視覺的追蹤器無法判斷「哪一個目標符合這句描述」；把語言條件硬加在後處理，語意和軌跡容易對不起來。
做法
設計多模態管線：ByteTrack 負責軌跡，視覺語言模型負責語意推理，再加一層 VQA 驗證迴圈——動態裁切候選物件送去問答，確保目標與文字提示真的對得上。
結果
Refer-KITTI 上 HOTA 由 14.08 提升到 21.62，相對提升 53.5%。後續的 GMC-Link 就是從這條線延伸出來的。