模型预测变换用于跟踪

基于优化的跟踪方法通过集成目标模型预测模块，通过最小化目标函数提供了有效的全局推理，已取得广泛成功。虽然这种归纳偏置集成了有价值的领域知识，但它限制了跟踪网络的表达能力。因此，在本研究中，我们提出了一种采用基于Transformer的目标模型预测模块的跟踪器架构。Transformer在具有较少归纳偏置的情况下能够捕捉全局关系，从而使其能够学习更强大的目标模型预测。我们进一步扩展了模型预测器，以估计一组用于精确边界框回归的权重。最终的跟踪器依赖于训练数据和测试帧信息，以传递式的方式预测所有权重。我们对提出的跟踪器进行了端到端的训练，并通过在多个跟踪数据集上进行综合实验来验证其性能。我们的跟踪器在三个基准测试中设立了新的最先进水平，在具有挑战性的LaSOT数据集中达到了68.5%的AUC（Area Under Curve）值。