CVPR 2022 | Transformer再屠榜！南大提出MixFormer：端到端目标跟踪新网络

https://zhuanlan.zhihu.com/p/485189978

本文介绍一下我们在单目标跟踪(VOT)领域的新工作 MixFormer——基于 transformer 的简洁的端到端模型。MixFormer打破了传统的跟踪范式，通过模板与测试样本混合的backbone加上一个简单的回归头直接出跟踪结果，并且不使用框的后处理、多尺度特征融合策略、positional embedding等。目前在 LaSOT, TrackingNet, VOT2020, GOT-10k 等多个数据集上取得了 SOTA 效果，其中VOT2020 EAO达到了0.555，LaSOT和TrackingNet的Norm Precision指标达到了79.9%和88.9%。论文和代码及模型已开源：

MixFormer: End-to-End Tracking with Iterative Mixed Attention

代码（刚刚开源）：

https://github.com/MCG-NJU/MixFormer

论文：https://arxiv.org/abs/2203.11082

1. 研究动机

目前视觉跟踪领域流行的 tracker 范式通常是多阶段的 pipeline，主要包括三个组件：（1）CNN backbone 提取 target 和 search area 的特征；（2）一个独立的融合模块来实现 target 和 search area 间的信息交流，使得能够做到 target-aware localization；（3）一个预测头 tracking head 来精确定位目标，估计 bounding box。其中特征融合模块通常是跟踪算法设计的关键，传统的方法中主要使用基于互相关（correlation）的操作（如 SiamFC, SiamRPN, SiamFC++）以及在线更新的方法（如KCF, ATOM, DiMP, FCOT等）。近来受 tranformer 在视觉领域的启发，基于注意力机制的信息融合方法被引入，并取得了非常有效的效果（如 TransT, STARK, TrDiMP, TREG等）。

而即使这些基于 transformer 的模型依然依赖于 CNN 来提取特征，受限于全局建模的能力，使得这些模型并没有在 tracking pipeline 中完全发挥出 self-attention 的能力。于是我们希望克服这个问题，提出了全新的跟踪框架 MixFormer，一改传统的跟踪范式，提出了 MAM 模块，应用 attnetion 机制同时进行特征提取与信息交互，这使得我们的模型极其简洁，没有额外的融合模块。

2. 方法

网络整体架构

图一. MixFormer整体网络架构

网络结构只有两个模块，一个是基于本文提出的mixed attention module (MAM)的骨干网络用来提取和融合特征，最后连接一个预测头进行定位。feature map 呈现金字塔型变化，即随着网络的加深，分辨率逐渐变小，通道数逐渐增大。MixFormer是一个端到端模型，所以没有任何框后处理操作。

混合注意力模块（Mixed Attention Module, MAM）

图二. Mixed Attention Module (MAM) 结构

混合注意力模块（MAM）是我们框架中的核心设计，它的输入是 template 和 search area拼接 的 token sequence。因为我们希望能够同时做到特征提取和特征融合，所以不同于原始的 Multi Head Attention，MAM 首先会将输入 split 成 template 和 search area，然后同时进行 self-attention和 cross-attention。此外，我们采用了一种非对称式混合attention：删去了从 target（模板） 到 search （搜索区域）的 query ，这样做既是为了避免目标模板被动态的搜索区域影响，更重要的是能提高跟踪效率。因为target不受到search变化的影响，这样的话就可以将多个模板存为memory，不需要每帧search变化的时候重新生成。具体的实现细节可以参考我们的论文。

定位头（Localization Head）

为了验证我们提出的框架，MixFormer在两个简单的localization heads上进行实验：corner head和token head。其中Corner head借鉴了STARK，但是没有像STARK那种在head中进行decoder和encoder的融合操作，仅包括几个卷积层来定位角点并出框。另外，我们也实验了类似 DETR 的基于 query based 的 localization head，在最后一个阶段加上一个可学习的 regression token，最后直接对其过一个 FFN 回归坐标。这个方法同样也取得了不错的结果，这证明我们的 MAM backbone 也具有很好的泛化能力。

在线样本置信度预测模块（SPM）

图三. Score Prediction Module (SPM)

动态更新的 template 通常在获取时序信息和保持跟踪鲁棒上十分重要，尤其在目标发生变形等情况时，然而不正确的目标选取会使得跟踪结果更加糟糕。我们提出了一个 Score Prediction Module (SPM)，根据预测得分来选取可靠的 online template。结构如图所示，具体细节可以参照论文。

3. 实验

多个benchmarks对比

我们将 MixFormer 和其他方法在主流的单目标跟踪数据集进行了测试，包括 VOT2020/GOT-10k/UAV123 几个重要的短时数据集以及 LaSOT 和 TrackingNet 两个较大的数据集，其中 MixFormer-L 在VOT2020数据集上的 EAO 达到了0.555，相较此前的 STARK 提升了 5%，此外在 TrackingNet 和 LaSOT 数据集的 Success 和 Normalized Precision 也提升很大，在GOT-10k等数据集上也达到了SOTA的效果。

探究实验

我们从多个角度进行了消融实验分析：

- 相较分离处理的框架先 self-attention (SAM) 提特征再 cross-attention (CAM) 融合信息，我们的特征提取和信息融合统一的结构更加有效，因为在这种耦合的模式下它们能够相互促进。

- 在不改变 attention 个数的情况下，我们将部分 MAM 替换成了 template 和 search 各自做 self-attention，也即没有了信息的交流。我们发现不同层次进行 MAM 会得到更好的性能，这更加说明了 extensive target-aware feature extraction and hierarchical information integration 是十分重要的。

- 对于定位头，我们测试了 fully convolutional corner head 和 query-based head，其中使用 corner head 的性能也比query-based head效果更好。

- 为了减少计算开销我们使用了 asymmetric attention，实验可以看出在损失微小性能的情况下运行速度提升了 24%。

- 当我们进行随机间隔采样更新 online template，结果变得更坏了，而加上得分预测模块之后取得了最好的 AUC。这说明合理地选择可靠的 online template 是非常重要的。

- 为了检验 mixformer 的泛化性能，我们在不同的 pretrain 模型和数据上进行分析，只在 ImageNet-1k 上 pretrain 的 mixformer 依然超越了此前的所有 sota tracker。

Attention weights可视化

更多可视化的例子与分析可以参照论文。

4. 总结

MixFormer革新了传统的跟踪范式，统一了特征提取和目标融合模块，既简化了模型也提升了跟踪的性能，希望我们的研究能够进一步推进视觉跟踪领域的研究。也非常欢迎大家能在自己的tracker上尝试一些我们的MixFormer backbone～