两篇和OSTrack思想相似的文章,都是22年的A。细节有差别但总体思想无区别
MixFormer: End-to-End Tracking with Iterative Mixed Attention
目前got10k上rank-1
主要贡献点:
1.将feature extraction和relation modeling用transformer统一,模型框架更简单直接,也不需要后处理、positional embedding。
2.非对称attention,q序列长度<kv,减少计算量。
3.两种head,一种参考stark的corners head设计了全卷积head直接计算tf和br预测值,一种引入额外的score token和search ROI token、target token计算attention,输出接三层mlp得到结果。
网络的核心----MAM组件,template和search切patch,分别过一个DW卷积块。得到的输出为
q
t
q_t
qt和
q
s
q_s
qs。对两部分的k和v进行concat,开始非对称attention。
整体架构如图,三个stage,每个stage堆叠N个MAM模块,输出接到head上。
作者提出的score head,性能比stark的corner head稍微差了一些,论文中AUC从68.4降低到66.0,个人总结更喜欢score head。
Correlation-Aware Deep Tracking
代码目前尚未开源
论文链接
结构和其它tranformer-based tracker相似,就不展开分析了,实验细节总结很详细,有借鉴意义。
1.patch embedding使用7*7,stride=4卷积+LN
2.template为q search为kv
3.条件位置编码
4.MLP用了空间mlp和channel mlp
5.在low-level用cross-attention、整体多用cross-attention且之间需要穿插self-attention