单目标跟踪
单目标任务介绍
对于一段视频序列，在视频开始时，给定跟踪目标的位置，通过设计算法得到后续帧中目标的位置和尺度信息。
- 只关注一个目标，并且可以跟踪任意类别的目标，无类别限制
- 挑战：跟踪过程中，目标和环境可能会出现各种不同的变化，比如遮挡、光照变化、非刚性形变、背景杂乱等情况
后续算法的设计就是为了解决各种的挑战，提升跟踪算法的性能和鲁棒性
单目标跟踪数据集发展史
数据集是算法训练与评估的基础。
- 2013年之前，跟踪算法使用自己采集的若干段序列进行评估
- 2013年，第一个Benchmark OTB50的出现，Tracking发展进入加速期，使得目标跟踪的评估更加规范
- 2015年，扩展OTB50，得到OTB100
- 2018年，大规模短时跟踪数据集TrackingNet和长时跟踪数据集OxUvA诞生
- 2019年，(大规模长时跟踪数据集)LaSOT和(目标类别极其丰富的短时跟踪数据集)GOT-10K等大规模跟踪数据集的出现，针对目标跟踪产生的训练集使得跟踪算法的性能进一步提升。
与此同时，2013年起，VOT组委会开始举办一年一届的目标跟踪大赛，场景逐渐丰富。2017年设置了实时赛道，2018年设置了长时赛道，2019年设置了多模态RGBD&RGBT赛道，促进了跟踪朝着高鲁棒性的方向发展
评估指标
主要的评估方式有两种，
- One Pass Evaluation(OPE)
One Pass Evaluation采用Success和Precision进行评估，
算法被初始化后不再对算法修正，如果算法跟踪错误，可能会导致后续帧全部失败