MOTR：Transformer在多目标跟踪中的时域建模新方法

"MOTR: Transformer-based End-to-end Multi-object Tracking with Temporal Modeling" 本文主要探讨了多目标跟踪（MOT）中的一个重要问题——时域建模，并提出了一种名为MOTR的新方法。MOTR是针对现有技术的一个改进，尤其是针对那些将运动和外观建模分开的方法。传统方法通常依赖于运动和外观的相似性算法来关联目标，但这种后处理方式限制了系统利用视频序列中时间变化的能力。 MOTR借鉴了DETR（DEtection TRansformer）的设计，DETR是一个用于端到端物体检测的Transformer架构。MOTR对DETR进行了扩展，引入了“跟踪查询”（Tracking Queries），这些查询能够跨帧传输和更新，以持续迭代预测跟踪实例。通过这种方式，MOTR能够更好地捕捉时间上的连续性。 文章中还提出了跟踪感知标签分配（Tracking-aware Label Assignment）和新生对象查询（Novel Object Queries），这两者旨在更精确地追踪新出现或消失的目标。此外，时间聚集网络（Temporal Aggregation Network）和集体平均损失（Collective Average Loss）进一步强化了对时间关系的建模，从而提高跟踪性能。 实验结果显示，MOTR在DanceTrack数据集上相对于最先进的方法ByteTrack有了显著的提升，特别是在HOTA（Higher Order Association）度量上，提升了6.5%。在MOT17数据集上，MOTR在关联性方面也超越了TrackFormer和TransTrack等同类工作。MOTR不仅在性能上表现出色，而且作为一个更强大的基线，为未来的时间建模和基于Transformer的跟踪器研究提供了基础。 关键词涉及多目标跟踪、Transformer架构以及端到端方法，强调了MOTR在解决MOT问题时的创新之处。源代码可以在https://github.com/megvii-research/MOTR上获取，为研究者和开发者提供了实践和改进的基础。 MOTR通过端到端的框架整合了运动和外观信息，引入了跟踪查询和时间建模策略，显著提升了多目标跟踪的效率和准确性，为Transformer在MOT领域的应用开辟了新的道路。