摘要

多目标跟踪（Multi-Object Tracking, MOT）是一项极具挑战性的任务，需要对轨迹初始化、目标身份以及时空轨迹进行联合推理。本文将该任务建模为帧间集合预测问题，并提出TrackFormer——一种基于编码器-解码器Transformer架构的端到端可训练多目标跟踪方法。通过注意力机制，模型在视频序列中演化一组轨迹预测，实现帧间的数据关联。Transformer解码器利用静态的目标查询初始化新轨迹，并通过概念新颖且保持身份一致性的轨迹查询，以自回归方式在时空维度上持续追踪已有目标。两类查询均受益于全局帧级特征的自注意力及编码器-解码器注意力机制，从而无需额外的图优化，也无需显式建模运动或外观特征。TrackFormer提出了一种基于注意力机制的新一代跟踪范式，尽管其设计简洁，却在多目标跟踪（MOT17和MOT20数据集）与多目标分割（MOTS20数据集）任务上均达到了当前最优性能。代码已开源，地址为：https://github.com/timmeinhardt/trackformer。