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