TrackFormer: Multi-Object Tracking with Transformers

简介
模型介绍
Transformer结构
训练
实验
总结

简介

MOT传统的方法主要是遵循tracking-by-detection范式的，但是最近的方法中涌现出了一些tracking-by-regression范式，这种方法中，检测器不仅仅提供帧级的检测，更是将数据关联部分替换为每个轨迹到其变化位置的一个连续回归，这种方法隐式地实现了数据关联。在这篇文章里，作者提出了tracking-by-attention范式，不仅在数据关联中使用注意力机制，而且利用一个统一地方式执行检测和跟踪。

论文标题

TrackFormer: Multi-Object Tracking with Transformers

论文地址

http://arxiv.org/abs/2101.02702

论文源码

https://github.com/timmeinhardt/trackformer/

模型介绍

上图是Trackformer整体的流程图，首先当前帧图片被送入ResNet提取特征，feature map经过encoder进行self-attention之后，输出的特征被输入进decoder，decoder的输入还有object queries(白色框框）和track queries(带颜色的框)，类似于detr,数量为N _object + N _track，object queries用于查询当前帧的目标，track queries为上一帧已成功跟踪的目标，它通过当前帧encoder输出的特征进行查询，得到一个output embedding，用于bbox回归和类别预测。

Track query成功查询到的目标(红色和绿色）会被赋予相同的id，未查询到的目标则表示在当前帧(蓝色），object queries检测成功(没有打叉的部分，打叉的为背景类)则被初始化为新目标(红色）,接着，这些更新目标的output embedding被输入进下一帧的decoder作为track queries，一直自回归下去。

Transformer结构

值得注意的是，Track queries首先经过一个多头注意力进行预处理，再和object queries以及encoder的输出进行融合。

训练

实验

如图为Trackformer在MOT17和MOT20s上的实验结果。

总结

上面是我写的一些阅读笔记，还会继续更新，Trackformer也是比较早将transformer引入MOT的论文，结构和transtrack比较相似，虽然精度并不是很高，但是思路还是很不错的，框架也是比较简洁清晰。