先贴一下本文的核心框架图：
Abstract
发现问题：视频目标跟踪任务中，在连续帧之间存在着丰富的时域上下文关系，其在现存的跟踪器中常常被忽略。
本文工作：本文通过transformer结构探索视频帧之间的时间上下文关系，以实现鲁棒的跟踪。不同于NLP领域中经典的transformer使用，本文将编解码器分为2个平行的分支并在Siamese pipeline中仔细地设计编解码器的具体结构。
本文具体做法：编码器通过基于注意力的特征强化提升目标模板，有利于生成高质量的跟踪模型。解码器将跟踪的相关线索从先前的模板传播到当前帧，有助于目标的搜索。
本文优势：网络结构整洁以端到端的方式训练，性能达到了SOTA。
1. Introduction
VOT问题介绍：VOT是CV领域中的一个基础任务，其在目标遮挡，形变等方面还存在一定的挑战。随着时域误差的累计，这些挑战也会在在线过程中进一步放大。
已有方法对时序信息的利用：在视频流中，丰富的时域信息非常重要。但是大部分跟踪范式都是通过逐帧目标检测的方式来处理的，其极大程度忽略了连续帧之间的时域关系。1. 一些方法只利用初始帧作为模板匹配，其唯一使用的时间信息是假设目标平滑移动这样的运动先验（例如，余弦窗口）来实现，该方法已经在VOT任务上广泛采用。2. 一些方法采取了更新机制，其收集了历史帧的预测结果去逐步更新跟踪模型。尽管这些方法考虑了历史帧的信息，但视频帧仍然是作为独立的个体，没有任何交互信息。而在实际生活中，一些帧不可避免地包含噪声（被遮挡/模糊），那这些帧将会阻碍模型更新。因此，帧间丰富的信息加强是一个重要问题，本文认为不应该孤立地处理视频帧，并且由于忽略逐帧关系，VOT的性能提升被极大地阻碍。
本文提出：
2. Related Work
- Siamese网络解决VOT问题的本质是模板匹配(template matching)，改进Siamese网络的方法包括：注意力机制、强化学习、目标感知的模型精调、无监督训练、精细的骨干网络、级联框架、模型更新机制等，
- DCF方法解决VOT问题的本质是过在傅里叶域内解决岭回归问题。最近研究发现岭回归问题可以以深度学习的框架解决，其避免了传统DCF的边界效应。这些方法学习判别性 CNN 内核与搜索区域卷积以生成响应，包括ATOM,DiMP方法等。
以上方法探索时域信息的技术包括GNN, 时空正则化，光流等。而本文利用transformer建模帧间关系，传递时域信息。
3. Revisting Tracking Frameworks
Siamese网络和DCF方法的pipeline总结如下图：
4. Transformer for Visual Tracking
4.1. Transformer Overview
4.2. Transformer Encoder
4.3. Transformer Decoder
4.4. Tracking with Transformer enhanced Features
以以下2种范式利用模板特征T_{encoded}和搜索特征S_{decoded}学习跟踪模型：
- Siamese Pipeline. 简单裁剪T_{encoded}的目标特征作为目标CNN核，并结合S_{decoded}来生成响应，其与SiamFC中的互相关操作相同；
- DCF Pipeline. 沿用DiMP中端到端的DCF优化技术，利用T_{encoded}和S_{decoded}生成鉴别式CNN核。
- 模板集成T的更新方式：每5帧丢弃T中最旧的帧并添加最新收集的模板特征。T中最多包含20个模板特征。一旦T被更新，通过编码器计算新的编码特征T_{encoded}。
