In video object tracking, there exist rich temporal contexts among successive frames, which have been largely overlooked in existing trackers. In this work, we bridge the individual video frames and explore the temporal contexts across them via a transformer architecture for robust object tracking. Different from classic usage of the transformer in natural language processing tasks, we separate its encoder and decoder into two parallel branches and carefully design them within the Siamese-like tracking pipelines. The transformer encoder promotes the target templates via attention-based feature reinforcement, which benefits the high-quality tracking model generation. The transformer decoder propagates the tracking cues from previous templates to the current frame, which facilitates the object searching process. Our transformer-assisted tracking framework is neat and trained in an end-to-end manner. With the proposed transformer, a simple Siamese matching approach is able to outperform the current top-performing trackers. By combining our transformer with the recent discriminative tracking pipeline, our method sets several new state-of-the-art records on prevalent tracking benchmarks.

In recent years, many tracking algorithms achieve impressive performance via fusing multiple types of features, however, most of them fail to fully explore the context among the adopted multiple features and the strength of them. In this paper, we propose an efficient multi-cue analysis framework for robust visual tracking. By combining different types of features, our approach constructs multiple experts through Discriminative Correlation Filter (DCF) and each of them tracks the target independently. With the proposed robustness evaluation strategy, the suitable expert is selected for tracking in each frame. Furthermore, the divergence of multiple experts reveals the reliability of the current tracking, which is quantified to update the experts adaptively to keep them from corruption. Through the proposed multi-cue analysis, our tracker with standard DCF and deep features achieves outstanding results on several challenging benchmarks: OTB-2013, OTB-2015, Temple-Color and VOT 2016. On the other hand, when evaluated with only simple hand-crafted features, our method demonstrates comparable performance amongst complex non-realtime trackers, but exhibits much better efficiency, with a speed of 45 FPS on a CPU.

Motivation: To improve the performance of convolutional neural network (CNN) for motion artifacts correction and demonstrate the feasibility of using motion-related information provided by principal component analysis (PCA). Goal(s): To achieve high accuracy of temperature mapping for motion existing organs like abdominal and thus expand a wide range of MR-thermometry in clinical applications. Approach: We proposed a combination method of PCA and basic CNN model to correct artifacts in abdominal MR-thermometry. Results: Preliminary results showed that the proposed method outperforms conventional CNN in terms of temperature mapping accuracy. The new method reduces the motion-related phase errors by leveraging PCA. Impact: Our proposed method has a high potential to handle motion organs with non-rigid motion. The PCA method in combination of CNN for its efficient reduction of motion induced errors may improve the feasibility and accessibility of MR-thermometry in abdominal applications.