多目标、多相机跟踪的性能指标和数据集
本研究提供了一个大规模数据集,利用自动注释系统从不同环境下的高度重叠 RGB 和深度相机生成三维跟踪结果,并通过手动检查和纠正三维跟踪结果来确保标签质量,以提高多相机,多物体跟踪系统的可靠性和性能。
Nov, 2021
本文提出了一种单目标跟踪器绩效评估的新方法,在数据集、性能指标和评估系统方面对其作出要求。同时,引入了基于排名的方法,并构建了一个多方平台的评估系统,使其成为至今最具精密注释的数据集之一。此方法在 VOT2014 挑战赛上得到了应用,并对数据集进行了全面分析,提出了可行的性能可视化技术。
Mar, 2015
本文介绍了我们的工作,即创建一个新的多目标跟踪基准,以解决现有基准存在的问题,并通过 MOTChallenge 向一个更有意义的多目标跟踪定量评估统一框架迈进。
Apr, 2015
我们提出了一种新的长期跟踪性能评估方法,并提出了一个具有许多目标消失的精心选择序列的新挑战性数据集,通过使用适用于评估长期跟踪的新性能指标 - 跟踪精度,召回率和 F 得分来广泛评估了六个长期和九个短期的最先进的跟踪器,评估结果表明,良好的模型更新策略和全局检测能力对于长期跟踪性能至关重要,我们将该方法集成到 VOT 工具包中以自动化实验分析和基准测试,并促进了长期跟踪器的开发。
Apr, 2018
提出了一种名为 Track Long and Prosper(TLP)的新型长视频数据集和单个目标跟踪基准,包含 50 个高清视频,超过 400 分钟(676K 帧),是现有通用数据集平均持续时间的 20 倍以上,通过对 17 种现有跟踪器进行精度和运行时间速度排名,以及定性和定量评估,突出了跟踪性能的长期方面的重要性并指出了研究努力在长期跟踪方向的潜在需求。
Dec, 2017
在本篇论文中,我们提出了一个可用于多物体跟踪的新型数据集,其包含 200 个 30 秒的序列和一个完整的 45 分钟半场,用于跟踪足球视频中的球员、裁判和球,该数据集带有边界框和跟踪 ID 的完整注释,并能够训练足球领域 MOT 基线并对这些方法进行全面基准测试,结果表明足球视频中的多人、裁判和球跟踪问题还有待改善。
Apr, 2022
我们提供了一个真实世界的大规模数据集 MTMMC,其中包括由 16 个多模态摄像机在校园和工厂两种不同环境中捕获的长时间视频序列,并涵盖各种时间、天气和季节条件。该数据集提供了一个具有挑战性的测试平台,用于研究多摄像机跟踪在多样化的真实世界复杂性下,并包括了空间对齐和时间同步的 RGB 和热像摄像机的额外输入方式,从而提高了多摄像机跟踪的准确性。MTMMC 是现有数据集的超集,有助于独立领域,如人员检测、重新识别和多目标跟踪。我们提供了关于该数据集的基线和新的学习设置,并为未来的研究设定了参考得分。数据集、模型和测试服务器将公开提供。
Mar, 2024
本论文介绍了一个新颖的视频数据集,该数据集来自城市高速公路上相互交叠的交通摄像头,可在交通监控环境中进行多摄像头 3D 物体跟踪。该数据集包含来自至少 16 个摄像头的 3 个场景的视频,总长度为 57 分钟。为每个摄像头视野完全准确地注释了 87,700 个 3D 边界框和相应的物体轨迹,并将其组合成每个场景的空间和时间连续的车辆轨迹。最后,使用现有算法对数据集进行了多个 3D 多摄像头跟踪管道的基准测试,结果表明该数据集具有挑战性,因为在交通拥堵期间,对象的高速移动和严重遮挡可能持续数百帧之久。本研究旨在促进准确和自动的车辆轨迹提取算法的发展,这将在理解自动驾驶车辆技术对交通安全和效率的影响方面发挥重要作用。
Aug, 2023
MOTChallenge 是一个针对单摄像头多目标跟踪设计的标准化比赛,包含三个版本,包括挑战性视频和精确的标签,同时提供了多目标跟踪器分类和广泛的错误分析。
Oct, 2020