如今单目标跟踪领域是不是大多数都在做transformer的

在当前的单目标跟踪（Single Object Tracking, SOT）领域中，Transformer模型的确受到了越来越多的关注。自从Transformer网络在自然语言处理任务上取得突破之后，其强大的自注意力机制也被引入到计算机视觉领域，包括物体追踪。Transformer可以捕捉长程依赖，这对于理解视频序列中的物体运动及其与其他元素的关系很有帮助。

许多研究者已经开始探索如何将Transformer结构与传统的SOT算法结合，例如用于特征提取、关联建模或者是生成预测等环节。虽然不是所有研究都集中在Transformer上，但Transformer确实在一些先进的SOT方法中扮演了核心角色，如基于查询的关键点跟踪（TrackR-CNN）、基于时空的Transformer（SiamTrans）等。

然而，传统的方法如基于卡尔曼滤波（Kalman Filter）或者深度学习的卷积神经网络（CNN）在SOT领域仍然有很强的应用，并且可能会根据不同场景和需求选择合适的模型架构。因此，尽管Transformer的热度上升，但仍有多样化的技术并存。