本文提出通用的端對(duì)端預(yù)測(cè)性跟蹤框架PVT++，旨在解決目標(biāo)跟蹤的部署時(shí)的延遲問題。多種預(yù)訓(xùn)練跟蹤器在PVT++框架下訓(xùn)練后“在線”跟蹤效果大幅提高，某些情況下甚至取得了與“離線”設(shè)定相當(dāng)?shù)男Ч?/p>

PVT++ 論文：https://arxiv.org/abs/2211.11629 代碼：https://github.com/Jaraxxus-Me/PVT_pp

引言

單目標(biāo)跟蹤（SOT）是計(jì)算機(jī)視覺領(lǐng)域研究已久的問題。給定視頻第一幀目標(biāo)的初始位置與尺度，目標(biāo)跟蹤算法需要在后續(xù)的每一幀確定初始目標(biāo)的位置與尺度。將這類視覺方法部署在機(jī)器人上可以實(shí)現(xiàn)監(jiān)測(cè)、跟隨、自定位以及避障等智能應(yīng)用。大多數(shù)目標(biāo)跟蹤算法的研究與評(píng)估都基于“離線”假設(shè)，具體而言，算法按照（離線）視頻的幀號(hào)逐幀處理，得出的結(jié)果與對(duì)應(yīng)幀相比以進(jìn)行準(zhǔn)確率/成功率計(jì)算。

然而，這一假設(shè)在機(jī)器人部署中通常是難以滿足的，因?yàn)樗惴ū旧淼难舆t在機(jī)器人硬件上不可忽視，當(dāng)算法完成當(dāng)前幀時(shí)，世界已經(jīng)發(fā)生了變化，導(dǎo)致跟蹤器輸出的結(jié)果與實(shí)際世界的目標(biāo)當(dāng)前狀態(tài)不匹配。換言之，如圖二(a) 所示，由于算法的延遲總存在（即使算法達(dá)到實(shí)時(shí)幀率），輸出的結(jié)果“過時(shí)”是不可避免的。

這一思想起源于ECCV2020 “Towards Streaming Perception”。

由于機(jī)載算力受限，平臺(tái)/相機(jī)運(yùn)動(dòng)劇烈，我們發(fā)現(xiàn)這一問題在無(wú)人機(jī)跟蹤中尤為嚴(yán)重，如圖一所示，相比“離線”評(píng)估，考慮算法延遲的“在線”評(píng)估可能使得其表現(xiàn)大幅下降。

圖一. “離線”評(píng)估與“在線”評(píng)估中各個(gè)跟蹤器的表現(xiàn)以及PVT++在“在線”跟蹤中的效果。灰色圖標(biāo)代表離線評(píng)估，藍(lán)色圖標(biāo)代表相同方法在線評(píng)估，紅色圖標(biāo)代表相同方法使用PVT++轉(zhuǎn)換為預(yù)測(cè)性跟蹤器。

如圖二(b)所示，為解決這一問題，預(yù)測(cè)性跟蹤器需要提前預(yù)測(cè)世界未來(lái)的狀態(tài)，以彌補(bǔ)算法延遲導(dǎo)致的滯后性。

這一理論詳見ECCV2020 “Towards Streaming Perception”以及我們過往的工作“Predictive Visual Tracking (PVT)"。

而與以往的在跟蹤器后使用卡爾曼濾波的方法不同，在本文中，我們從跟蹤器能提供的視覺特征出發(fā)，研發(fā)了端對(duì)端的預(yù)測(cè)性目標(biāo)跟蹤框架（PVT++）。我們的PVT++有效利用了預(yù)訓(xùn)練跟蹤器可提供的視覺特征并可從數(shù)據(jù)中學(xué)習(xí)目標(biāo)運(yùn)動(dòng)的規(guī)律，進(jìn)而做出更準(zhǔn)確的運(yùn)動(dòng)預(yù)測(cè)。

圖二. (a) 常規(guī)的跟蹤器有延遲，所以結(jié)果總是滯后的。(b) 預(yù)測(cè)性跟蹤提前預(yù)測(cè)世界的狀態(tài)，彌補(bǔ)延遲帶來(lái)的滯后性。(c) 與基于卡爾曼濾波的方法不同，我們的PVT++有效利用了跟蹤器自帶的視覺特征并可從數(shù)據(jù)中學(xué)習(xí)運(yùn)動(dòng)的規(guī)律，進(jìn)而做出更準(zhǔn)確的預(yù)測(cè)。

PVT++是一個(gè)通用的可學(xué)習(xí)框架，能適用不同類型的跟蹤器，如圖一所示，在某些場(chǎng)景下，使用PVT++后甚至能取得與“離線”評(píng)估相當(dāng)?shù)摹霸诰€”結(jié)果。

貢獻(xiàn)

我們研發(fā)了端對(duì)端的預(yù)測(cè)性目標(biāo)跟蹤框架PVT++，該通用框架適用于不同類型的跟蹤器并能普遍帶來(lái)大幅效果提升。

為實(shí)現(xiàn)“從數(shù)據(jù)中發(fā)現(xiàn)目標(biāo)運(yùn)動(dòng)的規(guī)律”，我們提出了相對(duì)運(yùn)動(dòng)因子，有效解決了PVT++的泛化問題。

為引入跟蹤器已有的視覺特征實(shí)現(xiàn)穩(wěn)定預(yù)測(cè)，我們?cè)O(shè)計(jì)了輔助分支 和 聯(lián)合訓(xùn)練機(jī)制，不僅有效利用了跟蹤器的視覺知識(shí)而且節(jié)省了計(jì)算資源。

除了PVT++方法，我們還提出了能夠進(jìn)一步量化跟蹤器性能的的 新型評(píng)估指標(biāo) e-LAE，該指標(biāo)不僅實(shí)現(xiàn)了考慮延遲的評(píng)估，而且可以區(qū)分實(shí)時(shí)的跟蹤器。

方法介紹

為了將整個(gè)問題用嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)公式成體系地定義出來(lái)，我們花了很多時(shí)間反復(fù)打磨PVT++的方法部分?jǐn)⑹?，然而不可避免符?hào)偏多結(jié)構(gòu)也比較復(fù)雜（被reviewer們多次吐槽...），讀起來(lái)有些晦澀難懂容易lost，在此僅提供一些我intuitive的想法，以方便讀者能夠更快理解文章的核心思想。

圖三. (a) PVT++宏觀框架與 (b) e-LAE評(píng)估指標(biāo)

e-LAE評(píng)估指標(biāo)

與“離線”設(shè)定不同，“在線”跟蹤(LAE)依照算法實(shí)際部署的情況設(shè)計(jì)，具體而言，其遵循以下兩條原則:

類似的評(píng)估方式最早被提出于ECCV2020 “Towards Streaming Perception”，在以前的研究PVT中，我們針對(duì)跟蹤算法做了上述調(diào)整。

然而，這樣的評(píng)估方式有一個(gè)缺陷，假設(shè)算法速度快于世界幀率（例如圖三下方的算法時(shí)間戳），無(wú)論算法有多快，評(píng)估時(shí)的算法滯后永遠(yuǎn)是一幀。換言之，假設(shè)有兩個(gè)精度一樣的跟蹤器A與B，A的速度>B>世界幀率，那么這樣的評(píng)估指標(biāo)得到的A，B的結(jié)果是一樣的，這樣以來(lái)，LAE便無(wú)法將實(shí)時(shí)跟蹤器的速度納入評(píng)估中，無(wú)法對(duì)實(shí)時(shí)跟蹤器進(jìn)行有效比較。

基于e-LAE，我們?cè)跈C(jī)器人平臺(tái)AGX Xavier上進(jìn)行了眾多跟蹤器詳盡的實(shí)驗(yàn)，涉及17個(gè)跟蹤器，三個(gè)數(shù)據(jù)集，詳見原文圖五，e-LAE可以區(qū)分一些精度接近而速度有一些差距的實(shí)時(shí)跟蹤器，如HiFT與SiamAPN++（原文Remark 2）。我們正在進(jìn)一步檢查所有結(jié)果，最終確認(rèn)后也會(huì)將評(píng)估的原始結(jié)果開源。

PVT++

無(wú)論算法的速度有多快，其延遲總存在，故而我們?cè)O(shè)計(jì)了端對(duì)端預(yù)測(cè)性跟蹤框架彌補(bǔ)延遲。如圖三 (a) 所示，PVT++的結(jié)構(gòu)非常直觀簡(jiǎn)單，跟蹤器模塊即普通的已有的（基于深度學(xué)習(xí)的）跟蹤算法，預(yù)測(cè)器接受跟蹤器輸出的歷史運(yùn)動(dòng)m ，跟蹤器的歷史視覺特征x,y，以及預(yù)設(shè)的落后幀數(shù)Δ作為輸入，輸出未來(lái)幀的目標(biāo)位置。

PVT++的結(jié)構(gòu)看上去雖然簡(jiǎn)單直觀，但使用離線數(shù)據(jù)訓(xùn)練這一套框架使之協(xié)助在線無(wú)人機(jī)跟蹤并非易事，其獨(dú)道之處在于以下三點(diǎn)：

相對(duì)運(yùn)動(dòng)因子：我們發(fā)現(xiàn)訓(xùn)練PVT++會(huì)遇到一個(gè)核心問題，訓(xùn)練集與測(cè)試集的域差距。試想，如果用于訓(xùn)練PVT++的數(shù)據(jù)來(lái)自VID，LaSOT，GOT10k這些目標(biāo)運(yùn)動(dòng)尺度較小，方向速度較規(guī)律的數(shù)據(jù)集，PVT++自然會(huì)嘗試擬合這些運(yùn)動(dòng)規(guī)律而難以泛化到目標(biāo)運(yùn)動(dòng)更復(fù)雜，尺度更大的無(wú)人機(jī)跟蹤場(chǎng)景。為了解決這一問題，我們將PVT++的訓(xùn)練目標(biāo)改為學(xué)習(xí)/擬合特殊設(shè)計(jì)的相對(duì)運(yùn)動(dòng)因子，即原文公式（4）：

這里pfj可以簡(jiǎn)單理解為過去幾幀的平均速度，在左側(cè)的公式中，我們可以先假設(shè)目標(biāo)是勻速運(yùn)動(dòng)的，即未來(lái)幀的相對(duì)位置變化正比于未來(lái)幀的時(shí)間間隔和平均速度，此后我們的神經(jīng)網(wǎng)絡(luò)只需要在這一假設(shè)上做出調(diào)整即為未來(lái)的真實(shí)運(yùn)動(dòng)。這一設(shè)計(jì)也就使得預(yù)測(cè)器需要學(xué)習(xí)的東西是“相對(duì)于勻速運(yùn)動(dòng)假設(shè)的偏差值”，即相對(duì)運(yùn)動(dòng)因子，而非絕對(duì)的運(yùn)動(dòng)值。我們發(fā)現(xiàn)這一預(yù)測(cè)目標(biāo)在大多數(shù)時(shí)候與目標(biāo)的絕對(duì)運(yùn)動(dòng)是無(wú)關(guān)的，故而訓(xùn)練出的網(wǎng)絡(luò)也就不易擬合訓(xùn)練集中的絕對(duì)運(yùn)動(dòng)，有著更好的泛化性。這一設(shè)計(jì)是PVT++能work的核心原因。預(yù)測(cè)器輸出的相對(duì)運(yùn)動(dòng)會(huì)用于后續(xù)設(shè)計(jì)與真值的L1損失作為訓(xùn)練損失函數(shù)。

輕量化預(yù)測(cè)器結(jié)構(gòu)：另一個(gè)問題是，預(yù)測(cè)器本身必須足夠輕量才能避免預(yù)測(cè)模塊引入額外的延遲，否則會(huì)導(dǎo)致整個(gè)系統(tǒng)失效。為此，我們?cè)O(shè)計(jì)了輕量有效的網(wǎng)絡(luò)架構(gòu)，包含encoder - interaction - decoder三部分，并能兼容運(yùn)動(dòng)軌跡信息與視覺特征，具體如圖四，其中大多數(shù)網(wǎng)絡(luò)層都可以有著非常小的通道數(shù)以實(shí)現(xiàn)極低的延遲（詳見原文表3）。此外，我們預(yù)測(cè)器的設(shè)計(jì)也最大程度上復(fù)用了跟蹤器能提供的視覺特征，因此節(jié)省了提取視覺特征所需要的計(jì)算資源。

圖四. PVT++中預(yù)測(cè)器的輕量化網(wǎng)絡(luò)架構(gòu)。

如何有效利用跟蹤器已有的視覺特征：最后，為了使輕量的預(yù)測(cè)器做出穩(wěn)健的預(yù)測(cè)，我們?cè)O(shè)計(jì)了一系列訓(xùn)練策略使得參數(shù)量很少的預(yù)測(cè)器有效利用（較大型）預(yù)訓(xùn)練跟蹤器的能提供的魯棒視覺表征。具體而言，我們發(fā)現(xiàn)以下兩點(diǎn)設(shè)計(jì)尤為重要：

輔助分支：預(yù)測(cè)器的視覺分支（圖四（b））需要當(dāng)前的相對(duì)運(yùn)動(dòng)信息作為監(jiān)督信號(hào)（圖四的虛線框部分）才能用于預(yù)測(cè)未來(lái)的運(yùn)動(dòng)。詳見原文5.3節(jié)。

聯(lián)合訓(xùn)練：在訓(xùn)練PVT++時(shí)，跟蹤器模塊需要在早期的訓(xùn)練epoch中以較小的學(xué)習(xí)率聯(lián)合預(yù)測(cè)器一起訓(xùn)練，進(jìn)而使視覺特征既適用跟蹤器做定位，又適合預(yù)測(cè)器做預(yù)測(cè)。詳見附錄B中的訓(xùn)練設(shè)定與我們的開源代碼。

更多關(guān)于方法的細(xì)節(jié)介紹歡迎大家參考我們的原文（p.s.，我們的附錄B提供了一個(gè)符號(hào)表輔助閱讀...）

實(shí)驗(yàn)部分

全文的實(shí)驗(yàn)設(shè)計(jì)包括e-LAE的評(píng)估（原文圖五）與PVT++的效果、分析兩部分，在這里著重介紹PVT++有關(guān)的實(shí)驗(yàn)。

設(shè)置

為了公平比較基線跟蹤器，PVT++采用與他們訓(xùn)練相同的LaSOT+GOT10k+VID作為訓(xùn)練集（均為視頻）（實(shí)際上僅用VID也可以取得較好效果，詳見附錄L）。具體而言，我們直接加載了跟蹤器原作者提供的模型參數(shù)作為我們的跟蹤器模塊，再使用離線數(shù)據(jù)訓(xùn)練PVT++。

評(píng)估時(shí)我們使用了四個(gè)無(wú)人機(jī)跟蹤權(quán)威數(shù)據(jù)集DTB70，UAVDT，UAV20L以及UAV123，廣泛驗(yàn)證了PVT++的泛化性。

整體效果

表一

PVT++的整體效果如表一所示，我們共將四個(gè)跟蹤器轉(zhuǎn)化為了預(yù)測(cè)性跟蹤器，在四個(gè)無(wú)人機(jī)跟蹤數(shù)據(jù)集中，PVT++能起到廣泛而顯著的效果?？梢园l(fā)現(xiàn)PVT++在某些場(chǎng)景下能達(dá)到超過60%的提升，甚至與跟蹤器的離線效果相當(dāng)。另外我們也發(fā)現(xiàn)并不是所有的情況下視覺信息都是有效可靠的，例如在DTB70中，僅用PVT++的motion分支也可以起到一定的效果。

消融實(shí)驗(yàn)

這里著重展示一下消融實(shí)驗(yàn)表四，如果不預(yù)測(cè)相對(duì)運(yùn)動(dòng)因子而是直接用絕對(duì)運(yùn)動(dòng)的值作為預(yù)測(cè)目標(biāo)（和損失函數(shù)設(shè)計(jì)），預(yù)測(cè)器完全不work，甚至?xí)胴?fù)面影響。當(dāng)引入視覺特征以后，輔助分支的監(jiān)督和聯(lián)合訓(xùn)練都是必要的，其中聯(lián)合訓(xùn)練的重要性更大。

與其他方法對(duì)比

表五

如表五，我們嘗試了直接在跟蹤器后加入卡爾曼濾波（即沿用ECCV2020 “streaming”的思想）以及我們之前雙濾波（PVT）的方案，并且在審稿人的建議下設(shè)計(jì)了可學(xué)習(xí)的基線方法（具體而言，我們將卡爾曼濾波中的噪聲項(xiàng)作為可學(xué)習(xí)參數(shù)）。這些方法都沒有利用跟蹤器已有的視覺特征，所以綜合效果差于聯(lián)合了運(yùn)動(dòng)與視覺特征的PVT++。

可視化

圖五. PVT++與卡爾曼濾波的可視化對(duì)比

在圖五中的三個(gè)序列中，我們發(fā)現(xiàn)卡爾曼濾波預(yù)測(cè)器很難處理目標(biāo)平面內(nèi)旋轉(zhuǎn)以及無(wú)人機(jī)視角變化的情況，在這些挑戰(zhàn)中，引入視覺信息進(jìn)行目標(biāo)尺度預(yù)測(cè)是尤為有效的。

另外本文也進(jìn)行了更為詳盡的實(shí)驗(yàn)，如屬性分析、與其他運(yùn)動(dòng)預(yù)測(cè)方法（如NEXT）的對(duì)比、PVT++作用在最新的基于transformer的跟蹤器等，歡迎大家參閱我們的附錄。

局限性與討論

PVT++的局限性在于兩點(diǎn)：

預(yù)測(cè)器使用的視覺特征并不總是魯棒，我們發(fā)現(xiàn)在DTB70這類目標(biāo)運(yùn)動(dòng)速度很快導(dǎo)致圖片模糊/目標(biāo)出視野，但目標(biāo)運(yùn)動(dòng)本身很規(guī)律的數(shù)據(jù)集中其實(shí)單靠運(yùn)動(dòng)分支就可以起到很好的效果。

訓(xùn)練策略有些復(fù)雜，特別是聯(lián)合訓(xùn)練時(shí)跟蹤器模塊在早期epoch用較小學(xué)習(xí)率微調(diào)這一些細(xì)節(jié)我們嘗試了很多次實(shí)驗(yàn)才發(fā)現(xiàn)。

e-LAE的局限性在于可復(fù)現(xiàn)性與平臺(tái)依賴性：

由于這套在線評(píng)估系統(tǒng)與算法的實(shí)際延遲緊密相關(guān)，而延遲又與硬件平臺(tái)的狀態(tài)有關(guān)，我們發(fā)現(xiàn)甚至同一型號(hào)的硬件上的同一實(shí)驗(yàn)結(jié)果也會(huì)略有不同（就是說甚至同一臺(tái)AGX放久了好像也會(huì)稍微慢一點(diǎn)....）。我們已經(jīng)嘗試在同一硬件上集中多次運(yùn)行以盡可能降低硬件的不穩(wěn)定性帶來(lái)的影響并會(huì)將原始結(jié)果開源以方便大家復(fù)現(xiàn)結(jié)果。另外我們也提供了一個(gè)“模擬”AGX硬件的腳本，可以將硬件上統(tǒng)計(jì)的延遲時(shí)間直接使用（而不是每次都一定要在機(jī)器人硬件上運(yùn)行），詳見我們的開源代碼。

預(yù)測(cè)性“在線”目標(biāo)跟蹤依然是一個(gè)相當(dāng)困難的研究問題，可能并不是增大數(shù)據(jù)量/模型參數(shù)量能輕易解決的，仍有著較大的提升空間?，F(xiàn)在視覺領(lǐng)域正快速涌現(xiàn)一批批“奇觀”，在線延遲也potentially有著其他的解決方案值得研究。譬如最近有一篇比較出圈的工作叫OmniMotion，我們能不能依賴點(diǎn)的correspondence，考慮從目標(biāo)上每個(gè)point的運(yùn)動(dòng)規(guī)律出發(fā)，推理物體local到global的未來(lái)運(yùn)動(dòng)？這樣也許能實(shí)現(xiàn)比PVT++更出彩的效果。

另外將算法延遲問題引入如今大火的一些foundation model研究中也是有意思的方向。譬如SAM和DINOv2的視覺特征是不是比ImageNet pre-train的ResNet更適合做視覺運(yùn)動(dòng)預(yù)測(cè)？如果是的話又該怎么處理這些超大規(guī)模預(yù)訓(xùn)練出的視覺特征？或許可以從TrackAnything入手研究。

致謝

PVT++是我本科期間的最后一項(xiàng)工作，算得上是本科的收官之作了，雖然看上去沒有很fancy的cv概念，工程量也很大，但我個(gè)人非常喜歡，可能是我近三年實(shí)驗(yàn)上最扎實(shí)的工作了，當(dāng)時(shí)發(fā)現(xiàn)相對(duì)運(yùn)動(dòng)因子和聯(lián)合訓(xùn)練帶來(lái)巨大的提升那種欣喜和意外是難以言喻的。該工作從第一次討論（2022年初）到如今中稿已經(jīng)是整整一年半，期間磕磕碰碰遇到了不少銳評(píng)，困難，與坎坷（差點(diǎn)就打算永遠(yuǎn)掛在arvix上了quqqq），附錄甚至在多輪審稿中修修補(bǔ)補(bǔ)到了Appendix M（都快夠一個(gè)正文了就是說><）。非常感謝在此期間合作的子淵，杰哥，一鳴大哥，三位老師，以及CMU的朋友們每次耐心的討論修改與對(duì)我的鼓勵(lì)支持。

本文初稿完成于2022年暑期，是我和子淵上半年在上海期智研究院與趙行老師合作的項(xiàng)目。MARS Lab是一個(gè)氛圍很好的實(shí)驗(yàn)室，大家有著可靠的強(qiáng)大實(shí)力卻又都溫和而謙虛，可謂志同道合。我不久前回國(guó)在云錦路西岸也受了老師同學(xué)們很多照顧，討論產(chǎn)生了不少idea，非常期待未來(lái)可能的合作交流。22年春季正值上海疫情嚴(yán)峻，非常感謝當(dāng)時(shí)研究院的老師、同學(xué)們提供的幫助。我們主要受 ECCV2020 “Towards Streaming Perception” 啟發(fā)，我們的代碼基于目標(biāo)跟蹤知名開源庫(kù) pysot，在此向有關(guān)的作者、開發(fā)者們致以誠(chéng)摯的謝意。